Envi Lecturas 2014 PDF

e
.p
m
.co
ica
PRINCIPIOS BÁSICOS
at
Unidad Nº 1
lem
te
w.
TELEMATICA S.A. 2014 – www.telematica.com.pe
- ww
A.
CONTENIDO
¿Qué es una imagen?
S.
Pixel
Como se forman los colores en una computadora
A
Introducción a Teledetección
IC
Espectro Electromagnético
Firma Espectral
Proceso de Teledetección
AT
Tipos de Sensores
Resolución de un sensor
M
Almacenamiento de datos Raster

Tipos de Imágenes
LE
Composición de Color
Introducción a la Teledetección y Procesamiento Digital de Imágenes utilizando ENVI 1-2
TE
1
e
.p
m
Datos que están organizados en una cuadrícula (grid) de
.co
filas y columnas
Por lo general, representa una zona geográfica
ica
at
lem
te
w.
- ww
A.

Matriz de datos
S.
La unidad visual más pequeña que se puede

visualizar en una imagen se denomina pixel.
A
IC
170 238 85
AT
68 136 17
M
221 0 255
LE

TE
2
e
.p
Pixel
m
picture element "elemento de imagen"
.co
Es la menor unidad homogénea en color que forma parte de
una imagen digital
ica
Un píxel puede codificarse con un byte (8 bits)
28 = 256 valores
at
0 255
lem
te
w.
- ww
A.
Pixel
Cada pixel tiene un valor numérico entero o real
S.
Valor = nivel digital (ND) percibido

NDp valor de gris en la pantalla o nivel visual
A

IC
104 91 89
AT
71 87 99
M
80 88 96
LE

TE
3
e
.p
m
Color Código digital (bit)
.co
Un BIT: impulso eléctrico “ON” – “OFF”, Blanco – Negro,
ceros y unos
ica
Pixel byte
(formato binario )
0 255
at
lem
Byte:
número mínimo es 0 (00000000)
número mayor es 255 (11111111)
te
w.
- ww
A.

1 bit 2 colores o tonos
S.
8 bit 256 colores

individuales
A
IC
Monitores 3 canales de COLOR:

AT
- Rojo (R)
24 bits
- Verde (G)
M
- Azul (B) 256 x 256 x 256 = 16,7 mill.
83 = 24 bits 16,7 millones de valores de color

LE

TE
4
e
.p
m
Las imágenes RGB tienen 3 bytes ó 24 bits de información
.co
por píxel (hay tres canales)
ica
at
lem
te
Profundidad de color
w.
- ww
A.
Télédétection” (francés) “remote sensing” (inglés-1967) o
S.
percepción remota.
Obtener información a distancia, sin entrar en contacto
A
material con el objeto observado.

IC
AT
M
LE

TE
5
e
.p
m
Análisis de la información adquirida por medio de técnicas
.co
de fotointerpretación, interpretación de imagenes y
procesamiento de las mismas.
ica
at
lem
te
w.
- ww
A.
Tres formas de adquirir información a través
S.
de sensores remotos:
Reflexión: energía reflejada de la luz solar.
A
Emisión: Energía emitida por los propios objetos

IC
Reflexión-Emisión: El sensor emite y luego capta la

reflexión (radar).
AT
Lo que recibe el sensor es una FUENTE DE

ENERGIA
forma de energía
M
electromagnética.
LE

TE
6
e
.p
Espectro Electromagnético
m
La luz se puede clasificar de acuerdo a la longitud de la
.co
onda
Longitud de onda ( λ )
ica
at
Rayos Gamma Rayos X Ultravioleta Infrarojo Microondas TV/Radio
lem
<0.03 nanometros 0.03 – 3 nm 0.03nm – 4 µm 0.7 - 3 µm 0.3 - 300 cm
Visible
˜ 0.4
micrometros te ˜ 0.7
w.
- ww
A.
Bandas
Los ojos humanos sólo “miden” la luz visible
S.
Los sensores pueden medir otras porciones del EEM

A
IC
AT
Bandas
M
LE

TE
7
e
.p
Firma Espectral
m
7
45
.co
3
12
ica
at
Bandas 1.0
Imagen LandSat
Vegetación 1 - Azul
lem
2 - Verde
Reflectancia
3 - Rojo
0.5 4 - IR cercano
5 - IR medio (onda corta)
6 - Térmica (emitancia)
0.0
1 2 3 4
te 5 7
7 - IR medio (ligeramente más largo
que la onda 5)
8 - Pancromatica (sólo en Landsat 7)
w.
Bandas
- ww
A.
Firmas Espectrales
La señal recibida por el sensor depende de la cobertura
S.
terrestre
A
50
50
IC
% Reflectancia
50
Vegetación
saludable
AT
0
Agua
0
Suelo desnudo
0
.4 .6 .8 1.0 1.2 1.4
M
Verde - Máxima reflectancia,

LE
por lo tanto, podemos ver los

árboles verdes

TE
8
e
.p
Proceso de Teledetección
m
12
.co
65
C 28
33
76
ica
A
E
at
D
lem
A
A. Radiación y C. Energía registrada y B
atmósfera convertida por el
sensor E. Interpretación y
B. Interacción
con la superficie
D. Recepción y
procesamiento te
análisis
w.
- ww
A.
Tipos de Sensores
Activos: emiten y reciben señal. (Radar y Lidar)
S.
Pasivos: solo reciben señal (camaras fotográficas, Exploradores de

Barrido, Exploradores de Empuje, Radiómetros de Microondas)
A
IC
AT
M
LE

TE
9
e
.p
Resolución de un Sensor
m
Resolución espacial:
.co
medida mas pequeña captada 30 m.
en la imagen Tamaño del pixel.
ica
Resolución espectral:
número de bandas
at
Resolución radiométrica:
número de niveles de gris
lem
(26=64, 27=128, 28=256, 210=1024)
Resolución temporal:
periodo de revisita
te
w.
- ww
A.
Almacenamiento de datos Raster

BSQ (Banda Secuencial)
S.
band 1 band 2 band 3

A
IC
BIL (Banda Entrelazado por línea)

AT
band 1 band 2 band 3

M
band 3
LE
BIP (Banda Entrelazado por Pixel) band 2
band 1
TE
10
e
.p
Tipos de Imágenes
m
.co
Imágenes de SENSORES REMOTOS Datos Contínuos
• Valores Medidos (luz)

• Cuantitativo
ica
at
Imágenes TEMATICAS Datos Discretos
lem
• Valores sólo indican clases
• Cualitativo
te
w.
- ww
A.
Tipos de Imágenes
S.
Datos Discretos (Imágenes Temáticas)

Trata información categórica acerca de un área
Utilizado y creado por operaciones de análisis
A
Se utiliza para extraer información de imágenes multiespectrales

IC
AT
M
LE

TE
11
e
.p
Tipos de Imágenes
m
Datos Contínuos
.co
Pancromático Multiespectral Hiperespectral
ica
at
lem
1 banda 2 ó mas bandas Cientos de Bandas
te
w.
- ww
A.
Composición de color
Cada banda o capa es visible como una imagen separada
S.
banda 5 banda 4 banda 3

A
IC
AT
M
LE

TE
12
e
.p
m
Tres bandas son visibles simultáneamente
.co
Parte del Cañón de color
ica
Espectro Monitor
Band
Band
SWIR 543
Near IR
at
Red Band
Band
432
Green
lem
Blue Band
Band
321
te
w.
- ww
A.
Combinación de bandas
S.
Los elementos pueden volverse más evidentes
Color Verdadero
A
(3,2,1)
IC
AT
M
LE
Area Urbana (4,5,3) Vegetación (4,3,2)

TE
13
e
.p
1. Ejercicios
m
Iniciando ENVI, configuración de las preferencias y administración de vistas.
.co
Explorando la interfaz de ENVI.
Trabajando con Portal, Blend, Flicker, and Swipe.
ica
Métodos abreviados del teclado.
Información de referencia.
Guardando visualizaciones con Chip.
at
Perfiles espectrales.
Usando la ayuda de ENVI.
lem
Cambiando el directorio de salida y otras opciones.
Definiendo subconjuntos espaciales y espectrales.
Guardando y restaurando sesiones en ENVI.
ENVI Classic.
te
w.
- ww
A.
S.
A
MEJORANDO LA IMAGEN
IC
AT
Unidad Nº 2
M
LE

TE
14
e
.p
CONTENIDO
m
Histogramas. ¿Qué significa?
.co
Realce de una imagen.
Realces predeterminados.
ica
Filtros Espaciales.
Trasformaciones de color HSV
at
Fusión de datos.
lem
te
w.
- ww
A.
Histogramas
S.
A
IC
AT
M
Las imágenes son matrices de datos.

LE
El histograma es la frecuencia de valores de los pixels expresadas en un grafico.

TE
15
e
.p
Histogramas
m
Histograma: representación grafica de la distribución de datos
.co
Eje X valores en el archivo de imagen
Eje Y es la frecuencia para cada valor del archivo
ica
Frecuencia
at
lem
0 Valores 255
te
w.
- ww
A.
Realce de una imagen

Manipulación del histograma
S.
A
IC
AT
M
Imagen original Imagen con realce

Histograma de entrada Histograma de salida
LE

TE
16
e
.p
m
Ajuste de Contraste (Image Stretch)
.co
Frecuencia
ica
Valores ND
at
lem
0 68 255
0 te
255
w.
- ww
A.

S.
Valores de los
Pixel’s de la
imagen cruda
A
Valores que
IC
podrían
aparecer en
pantalla
Frecuencia
AT
M
0 255
LE
Oscuro Brillante

TE
17
e
.p
Despliegue de imágenes
m
.co
Frecuencia
IMAGEN
(Data)
ica
0 255
at
Frecuencia
PANTALLA
(Scrn)
lem
Valores de visualización 255
0
Datum y Sist. Coord
Coord. de imagen
Valores reales
te
w.
- ww
A.
Tipos de realce
S.
A
IC
AT
Linear 2% Gaussiano Ecualizado

M
LE

TE
18
e
.p
Realces predeterminados
m
.co
Origen de histograma
ica
[Image] – Ventana Image
[Zoom] – Ventana Zoom
[Scroll] – Ventana Scroll
at
Tipo de realce
Linear
lem
Linear 0-255
Linear 2%
Gaussian
Equalization
Square Root
te
w.
- ww
A.
Realces predeterminados
S.
Origen de histograma
A
Full extent
View extent
IC
Tipos de realces
AT
No stretch
Linear
Linear (1%, 2%, 5%)
Equalization
M
Gaussian
Square Root
Logaritmic
LE
Optimized Linear
Custom

TE
19
e
.p
Filtros Espaciales
m
Kernel (Núcleo)
.co
ica
at
lem
0 0 0
0 1 0
0 0 0
te
w.
- ww
A.
Tipos de filtros
S.
A
IC
AT
M
Imagen original Filtro paso alto Filtro paso bajo
-1 -1 -1 1 1 1
LE
-1 8 -1 1 1 1
-1 -1 -1 1 1 1

TE
20
e
.p
Transformaciones de color HSV
m
Modelo en coordenadas cilíndricas de sus componentes.
.co
Hue (Tonalidad ). Tipo de color varia entre 0-360º RGB, cada valor corresponde un
color.
Saturation (Saturación). Distancia entre el eje brillo, pureza 0 – 100%
ica
Value (Valor). Brillo de color representado en el eje Negro – Blanco, 0 es negro.
at
lem
te
w.
- ww
A.
Fusión de datos
S.
Imagen
1
A
Pan
IC
Imagen
Pixel? 1
RGB
AT
HSV H S Pan
Imagen
2
M
LE

TE
21
e
.p
Fusión de datos
m
.co
ica
at
lem
te
w.
- ww
A.
2. Ejercicios
S.
Comparando Datos y valores de estiramiento.

Herramientas de estiramiento personalizada.
A
Aplicando tablas de colores y la herramienta

Raster color slices.
IC
Estiramiento personalizado y fotográfico

Estiramiento de saturación automático
AT
Fusión de imágenes usando HSV Sharpening.

Fusión de imágenes de diferentes sensores.
M
Fusión de imágenes de alta resolución.

LE

TE
22
e
.p
m
.co
ica
CLASIFICACIÓN
at
Unidad Nº 3
lem
te
w.
- ww
A.
CONTENIDO
Comportamiento espectral teórico
S.
Vegetación, Agua, Suelo
NDVI
A
Clasificación
IC
Supervisada
No Supervisada
AT
Regiones de Interés
ROIs, 2D Scatter Plots
M
Herramientas de Post Clasificación

LE
Clasificación a Vector

TE
23
e
.p
m
Para los tres elementos fundamentales del paisaje, en el
.co
dominio optico : (Vegetación, Agua, Suelos)
1. Vegetación vigorosa:
ica
A mayor contraste mayor será el vigor de la vegetación
at
lem
te
w.
- ww
A.

S.

2. Agua. Absorve o transmite la radiación
A
El agua a menor profundidad la reflectividad aumenta

IC
La nieve alta reflectividad (bandas visibles)

AT
M
LE

TE
24
e
.p
m
.co
3. Suelos
ica
Cuanto mas seco y compacto mayor reflectividad
at
lem
te
w.
- ww
A.
NDVI
Indice de Vegetación de Diferencia Normalizado
S.
Combina bandas roja e infrarrojo cercano del EEM

Hojas verdes ± 20% (verde-rojo)
A
(reflect) ± 60% (ir-cercano)

Entre otras aplicaciones prácticas de esta
IC
técnica figuran:
Identificación de áreas forestadas-
deforestadas;
AT
Evaluación del estado de la vegetación y

su grado de estrés;
Separación entre distintos tipos de masas
M
vegetales;
Monitoreo de plagas;
LE
Evaluación de riesgos de incendio.

TE
25
e
.p
Clasificación
m
Clasificar asignar pixeles a una categoria
.co
ica
at
lem
te
w.
- ww
A.
Clasificación
Dos tipos básicos de clasificación de una imagen
S.
Supervisada, analiza áreas de entrenamiento seleccionadas para la

clasificación.
No Supervisada, método estadistico computacional, que no analiza
A
interacciones.
IC
AT
M
LE

TE
26
e
.p
Clasificación Supervisada
m
Fase de entrenamiento seleccionar muestras
.co
(zonas de entrenamiento)
Fase de asignación destinan los píxeles a una de las clases
ica
A) B) C)
1.0
Reflectancia Vegetación
at
0.5
lem
0.0
1 2 3 4 5 6
Bandas Asignación
Zona de
entrenamiento
te
Promedio espectral a una clase
w.
- ww
A.
Fase de entrenamiento: Regiones de Interés (ROIs) selección
S.
gráfica de una porción de la imagen

A
IC
AT
M
LE

TE
27
e
.p
m
Fase de entrenamiento: ROIs a partir de 2D Scatter Plots
.co
(Gráficos de dispersión):
Visualizar los valores de datos relacionando una banda con otra banda
ica
at
lem
te
w.
- ww
A.
Fase de entrenamiento: ROIs a partir de 2D Scatter Plots
S.
(Gráficos de dispersión):
Visualizar los valores de datos relacionando una banda con otra banda
A
IC
AT
M
LE

TE
28
e
.p
m
2D Scatter Plots:
.co
Múltiples gráficos de dispersión activos
simultáneamente.
Estos gráficos de dispersión Bidimensionales utilizan
ica
únicamente los datos de la ventana Image, de
manera que la respuesta en la ventana interactiva
siempre es rápida.
at
Opción Scatter: Dance
lem
te
w.
- ww
A.
Fase de asignación: Existen distintos algoritmos
S.
Paralelepípedo
A
IC
AT
M
LE

TE
29
e
.p
m
.co
Mínima Distancia
ica
at
lem
te
w.
- ww
A.
S.
Distancia de Mahalanobis
A
IC
AT
M
LE

TE
30
e
.p
m
.co
Máxima Probabilidad
ica
at
lem
te
w.
- ww
A.
S.
Mapeador del Angulo Espectral

A
IC
AT
M
LE

TE
31
e
.p
m
Comparación de algunos algoritmos
.co
ica
at
Paralelepípedo Mínima Distancia Distancia de Mahalanobis
lem
Máxima Probabilidad
te
Mapeador del Angulo Espectral
w.
- ww
A.
Comparación de algunos algoritmos
S.
A
IC
AT
M
LE
Paralelepípedo
Mapeador
Distancia
Máxima
Mínima
del
deProbabilidad
Angulo
Distancia
Mahalanobis
Espectral

TE
32
e
.p
Clasificación No Supervisada
m
Agrupa pixeles (cluster) en un conjunto de datos (clases)
.co
basandose solamente en estadísticas :
IsoData
ica
K-Means
at
lem
te
w.
- ww
A.
K-Means: Partición del conjunto inicial en
S.
K grupos o clases
A
IC
AT
M
LE

TE
33
e
.p
m
ISODATA: Calcula la media de las clases. Agrupa pixeles iterativamente
.co
utilizando mínima distancia.
ica
at
lem
te
w.
- ww
A.

Post – Classification: Herramientas que se aplican a la clasificación de
S.
la imagen.
A
IC
AT
M
LE

TE
34
e
.p
m
Post – Classification: Herramientas que se aplican a la clasificación de
.co
la imagen.
ica
at
lem
te
w.
- ww
A.
Clasificación a Vector
Convierte la clasificación a poligonos EVF shp
S.
A
IC
AT
M
LE

TE
35
e
.p
3. Ejercicios
m
Clasificación usando diagramas de dispersión
2D interactivos (Clasificación No Supervisada)
.co
Introducción a la Nueva herramienta ROI
(Region of Interest)
Clasificación de Mínima
ica
Distancia y clasificador de reglas
(Clasificación Supervisada)
Flujo de trabajo de clasificación (Clasificación
at
Supervisada)
Clasificación de máxima probabilidad
(Clasificación Supervisada)
lem
Estadísticas de clases
Trabajando con el calculador de Indice de
Vegetación
Herramientas de análisis de vegetación
te
w.
- ww
A.
S.
A
GEORREFERENCIACIÓN
IC
AT
Unidad Nº 4
M
LE

TE
36
e
.p
CONTENIDO
m
Sistema de referencia
.co
Correcciones geométricas
Procedimientos de Remuestreo
ica
Error medio cuadrático (RMS)
at
lem
te
w.
- ww
A.
Sistema de referencia
Datum: (Horizontal)
S.
Local: PSAD-1956
Mundial: WGS-84
A
Sistema de coordendas:
IC
Geodésicas: GMS
Proyectadas: UTM
AT
Proyección Cartográfica:
Cilíndrica: Transversal Mercator (TM)
M
LE

TE
37
e
.p
m
Las imágenes en crudo no tienen referencia al terreno
.co
O… las imágenes estan registradas a otros datos
ica
at
lem
Locación sólo en imagen
Definido sólo por grilla raster
te
w.
- ww
A.
Registro: Imagen a Imagen
S.
El proceso de convertir una imagen a un nuevo sistema de

coordenadas, basado en las coordenadas de otra imagen.
A
Lat/Lon Geográficas UTM

IC
Referencia
AT
Entrada
M
LE

TE
38
e
.p
m
Registro: Utilizando GCPs
.co
Las imágenes de entrada necesitan puntos de control terrestre para
ser rectificadas (georreferenciadas)
ica
Los puntos de control medidos se usan para corregir toda la imagen.
432968 5256416
at
Método de
476608 5233177
remuestreo
lem
463607 5202857
423819 5206116
te
w.
- ww
A.
Remuestreo de imágenes
S.
Proceso de encajar una grilla raster a la nueva grilla raster rectificada

A
GCP
1. Grilla fuente con 2. Grilla de salida con

IC
GCPs GCPs
GCP
AT
3. Grilla fuente puesta 4. Los valores de píxeles

encima de la grilla de la fuente son
M
de salida con GCPs asignados a píxeles

alineados en la grilla de salida
usando un método de
LE
remuestreo

TE
39
e
.p
m
Métodos de remuestreo de imágenes
.co
Los píxeles de la imagen original deben ser interpolados a sus nuevas
posiciones rectificadas usando uno de los siguientes Métodos de
Remuestreo:
ica
Vecino más cercano (Nearest Neighbor)
Interpolación bilineal (Bilinear)
at
Convolución cúbica (Cubic Convolution)
lem
te
w.
- ww
A.
Vecino más cercano

S.
Grilla corregida
Distancia
mínima
A
IC
AT
M
PROBLEMAS: Duplicación de píxieles & drop-out; pixeles salientes

BENEFICIOS: Se mantiene el valor original de los píxeles; más rápido
LE
USOS: Áreas urbanas; datos a ser clasificados; datos temáticos

TE
40
e
.p
Interpolación bilineal
m
Distancias Valor
mínimas promedio Grilla corregida
.co
ica
Función
bilineal
at
Píxeles de salida son un
lem
promedio de los 4 más cercanos
píxeles originales
PROBLEMAS: Se pierde la integridad de valores de los píxeles originales; más

lento

USOS: Paisajes y entornos naturales te

BENEFICIOS: Más precision espacial; transiciones suaves
w.
- ww
A.
Convolución cúbica
Distancias Valor
S.
mínimas promedio Grilla corregida

A
IC
Función
cúbica
AT
Los píxeles de salida son un

promedio de los 16 más cercanos
píxeles originales
M
PROBLEMAS: Se pierde la integridad de valores de los píxeles originales; más

lento
LE
BENEFICIOS: Imágenes agudas y ruido suave

USOS: Remuestreo de diferencias grandes de tamaño de celda-pixel
(TM/photo)
TE
41
e
.p
Error medio cuadrático (RMS)
m
Indica la precisión de transformación
.co
coordenada GCP
transformada en un
nuevo sistema de
coordenadas
ica
at
lem
Los puntos pueden
GCP fuente
X residual entonces ser RE-
transfomados al sistema
Y residual Error RMS antiguo de coordenadas ¿Valor RMS en qué unidades?
PIXELES de imagen original
GCP retransformado
te
w.
- ww
A.
4. Ejercicios
Flujo de trabajo de Registro de Imagen
S.
Registro Imagen-Mapa
Proyección de datos raster
A
Registro Imagen-Imagen
IC
AT
M
LE

TE
42
e
.p
m
.co
ica
MOSAICO
at
Unidad Nº 5
lem
te
w.
- ww
A.
CONTENIDO
Mosaico de Imágenes
S.
Correspondencia de Histogramas
Degradado (Feathering)
A
Líneas de costura (eamlines) y degradado (Feathering )

IC
AT
M
LE

TE
43
e
.p
Mosaico de Imágenes
m
Combinar varias imágenes en una sola imagen compuesta
.co
ica
at
lem
te
w.
- ww
A.
Correspondencia de Histogramas
Las
imágenes con diferente brillo y contraste necesitan ser balanceadas de
S.
modo que el output aparezca irrelevante

Matemáticamente convierte el histograma de una imagen para que se
asemeje al histograma de otra
A
IC Frecuencia
AT
Valores de píxel
M
LE
Mosaico

TE
44
e
.p
m
Alrealizar el Mosaico, se necesita indicar cómo afrontar las regiones de
.co
sobreposición de imágenes
ica
¿Qué valores deberán ponerse en la
imagen de salida?
¿Capa superior?
at
¿Línea de corte?
¿Porcentaje?
lem
te
w.
- ww
A.
Distancia del Feathering
S.
Sobreposición
A
A z
IC
x
AT
B
M
Valor de salida
LE
x = 50%A + 50%B
z = 10%A + 90%B

TE
45
e
.p
Seamlines & Feathering
m
Líneas de costura (Seamlines)
.co
Línea de costura
ica
A
at
B
lem
te
w.
- ww
A.
5. Ejercicios
S.
Seamlines Mosaic Workflow

Flujo de trabajo simple
Flujo de trabajo avanzado
A

IC
AT
M
LE

TE
46
e
.p
m
.co
ica
MODELOS DE ELEVACIÓN DIGITAL
SIMULACION 3D
at
Unidad Nº 6
lem
te
w.
- ww
A.
CONTENIDO
Definición de Modelos de Elevación Digital.
S.
Estereoscopia en imágenes.
Fuentes de procedencia.
A

IC
AT
M
LE

TE
47
e
.p
Definición de Modelo de Elevación Digital
m
DEM es una estructura numérica
.co
de datos que representa la
distribución espacial de la altura
(elevación) del terreno de manera
continua. También son
ica
denominados modelos digitales
de terreno (MDT).
at
lem
te
w.
- ww
A.
Modelo de elevación digital

Los modelos digitales de elevación son usados por muchas disciplinas
S.
dedicadas al estudio del territorio.

A
IC
AT
M
LE

TE
48
e
.p
Estereoscopia en imágenes
m
Esta técnica de la ilusión de
.co
profundidad en una fotografía,
película, u otra imagen
bidimensional presentando una
imagen ligeramente diferente para
ica
cada ojo.
at
lem
te
w.
- ww
A.
Estereoscopia en imágenes (Continuación…)

S.
Anaglifos
Imagen Imagen
A
1 2
IC
RGB RGB
AT
Imagen
1
M
LE

TE
49
e
.p
Estereoscopia en imágenes (Continuación…)
m
.co
ica
at
lem
te
w.
- ww
A.
Fuentes de procedencia
S.
Cartografía básica
Curvas de nivel
A
Cotas topográficas
IC
AT
M
Imágenes Estereoscópicas
LE
Imágenes ópticas / radar

Fotografías aéreas

TE
50
e
.p
6. Ejercicios
m
Cargando una vista de superficie 3D en ENVI
.co
Control interactivo de la visualización 3D
Ventana 3D Surfaceview controls
ica
Otros controles de visualización
Ventana 3D Surfaceview Position controls
Ventana 3D Surfaceview Motion controls
at
Creación de secuencias de animación
lem
Herramientas de análisis
te
w.
- ww
A.
S.
A
TRABAJANDO CON VECTORES

IC
AT
Unidad Nº 7
M
LE

TE
51
e
.p
CONTENIDO
m
Formato raster y vector
.co
Superficie
Atributos de vectores
ica
Superposición
at
lem
te
w.
- ww
A.
Formato raster y vector

S.
A
IC
AT
M
LE

TE
52
e
.p
Vectores
m
Importación de formatos: .shp, .e00, .dxf, .mif, .dgn, USGS dlg, USGS
.co
sdts, .evf.
Conversión a formato nativo eficiente (.evf)
ica
at
lem
te
w.
- ww
A.
Vectores
Se pueden clasificar con tabla de colores los diferentes atributos.
S.
A
IC
AT
M
LE

TE
53
e
.p
Vectores
m
Se pueden realizar conversiones a otros formatos.
.co
ica
at
lem
te
w.
- ww
A.
Available Vectors List

S.
Available Vectors List (Lista Disponible

de Vectores)
A
En ENVI Classic, al igual que Available Bands

List, la Lista Disponible de Vectores
IC
proporciona acceso a todos los archivos de

vector abierto en ENVI. Cuando se necesite,
AT
se puede llamar a esta ventana desde

Window → Available Vectors List de la barra
de menú principal de ENVI Classic.
M
LE

TE
54
e
.p
Available Vectors List
m
.co
Available Vectors List (Lista Disponible
de Vectores)
Permite abrir archivos de vector, iniciar
ica
nuevas ventanas de vectores, crear fronteras
del mundo y nuevas capas vectoriales,
at
exportar los resultados de los análisis a
ROIs, Shapefiles y archivos auxiliares.
lem
te
w.
- ww
A.
Superposición de Vectores
S.
A
IC
AT
M
LE

TE
55
e
.p
7. Ejercicios
m
Visualizando Datos vectores
.co
Editando capas de vectores y sus
atributos
Usando el digitalizador inteligente para
ica
extraer caminos
Sobreponiendo vectores a una
superficie 3D
at
lem
te
w.
- ww
A.
S.
A
COMPOSICIÓN DE MAPAS
IC
AT
Unidad Nº 8
M
LE

TE
56
e
.p
CONTENIDO
m
Conceptos básicos de cartografía.
.co
Objetivos y tipo de cartografía
Proyecciones y escalas
ica
Elaboración de mapas con ENVI
Elementos de un mapa
at
lem
te
w.
- ww
A.
Objetivos y tipo de cartografía

Objetivos:
S.
Objetivos del Mapa

Compartir, Enfatizar e ilustrar resultados y/o
relaciones
A
Objetivos del Diseño

IC
Manipular características gráficas
Tipos
AT
Cartografía Básica
Mapas topográficos (Carta nacional)
M
Cartografía Temática
Desarrollo de algún aspecto o fenómeno en
concreto
LE

TE
57
e
.p
Proyecciones y escalas
m
.co
ica
at
La escala es la relación matemática que existe entre las dimensiones
lem
reales y las representadas sobre un plano o un mapa
Trasformación de superficies esféricas en superficies planas
te
w.
- ww
A.
Títulos
S.
Logo
Escala grafica y textual
A
Cuadricula de referencia
IC
Fecha de norte
Etiquetas y otras anotaciones
AT
M
LE

TE
58
e
.p
m
Títulos
.co
Logo
ica
Fecha de norte
at
lem
te
w.
- ww
A.
Títulos
S.
Logo
A
IC
Fecha de norte
AT
M
LE

TE
59
e
.p
m
Títulos
.co
Logo
ica
Fecha de norte
at
lem
te
w.
- ww
A.
8. Ejercicios
S.
Agregando elementos de mapa en

ENVI
A
IC
AT
M
LE

TE
60
e
.p
m
.co
ica
INTEGRACIÓN ENVI-ArcGIS
at
Unidad Nº 9
lem
te
w.
- ww
A.
CONTENIDO
Despliegue de imágenes en ArcMap
S.
Accediendo a la Geodatabase (Input/Output)

Ejecutando Herramientas de ENVI en el ArcGIS
A

Toolbox
IC
AT
M
LE

TE
61
e
.p
Integración entre ENVI y ArcGIS
m
Incrementa las posibilidades disponibles para los profesionales GIS de utilizar
.co
soluciones de procesamiento especializado de imágenes.
ENVI 5.0: ArcGIS 10:
Intercambio de datos con ArcGIS a Lectura de archivos nativos de
ica

través de la Geodatabase. ENVI
Enlace ENVI–ArcMap para integrar Visualiza e interactúa con capas
el flujo de trabajo. dentro de ENVI
at
Herramientas de ENVI en el ArcGIS Ejecuta funcionalidades de ENVI
Toolbox directamente desde el ArcGIS
Toolbox.
lem
(Incluyendo Desktop,
te Server, Image Server)

w.
- ww
A.

S.
A
IC
AT
M
LE

TE
62
e
.p
m
.co
ica
at
lem
te
w.
- ww
A.

S.
A
IC
AT
M
LE
Documento-Mapa

TE
63
e
.p
m
.co
ica
at
lem
Plantilla-Mapa
te
w.
- ww
A.

S.
A
IC
AT
M
LE

TE
64
e
.p
m
.co
ica
at
lem
te
w.
- ww
A.

S.
A
IC
AT
M
LE

TE
65
e
.p
m
.co
ica
at
lem
te
w.
- ww
A.

S.
A
IC
AT
M
LE

TE
66
e
.p
m
.co
ica
at
lem
te
w.
- ww
A.
Accediendo a la Geodatabase (Output)

S.
A
IC
AT
M
LE

TE
67
e
.p
m
.co
ica
at
lem
te
w.
- ww
A.

S.
A
IC
AT
M
LE

TE
68
e
.p
Accediendo a la Geodatabase (Input)
m
.co
ica
at
lem
te
w.
- ww
A.

S.
A
IC
AT
M
LE

TE
69
e
.p
m
.co
ica
at
lem
te
w.
- ww
A.

S.
A
IC
AT
M
LE

TE
70
e
.p
Ejecutando Herramientas de ENVI en el
ArcGIS Toolbox
m
.co
ica
at
lem
te
w.
- ww

A.
Toolbox (Clasificación Supervisada)

S.
A
IC
AT
M
LE

TE
71
e
.p
Toolbox (Refinamiento de Clasificación)
m
.co
ica
at
lem
te
w.
- ww

A.
Toolbox (Deteccíon de Anomalías con Umbrales)

S.
A
IC
AT
M
LE

TE
72
e
.p
Ejecutando Herramientas de ENVI en el
ArcGIS Toolbox (Detección de cambios)
m
.co
ica
at
lem
te
w.
- ww
A.
9. Ejercicios
Despliegue de imágenes en
S.
ArcMap
Accediendo a la Geodatabase
(Input/Output)
A
Trabajando con Herramientas

IC
ENVI dentro del ArcGIS Toolbox

AT
M
LE

TE
73
e
.p
m
.co
ica
EXTENDIENDO ENVI
at
Unidad Nº 10
lem
te
w.
- ww
A.
CONTENIDO
ENVI – La plataforma de procesamiento de imágenes completa
S.
SPEAR Workflows Automatizados

Soporte de gran variedad de Archivos para el Procesamiento
A

de Imágenes
IC
Módulos Adicionales de ENVI

Personalización de ENVI utilizando IDL
AT

M
LE

TE
74
e
.p
ENVI – La Plataforma de Procesamiento de Imágenes Completa
m
.co
ica
ENVI
ENVI
ACCEDE ANALIZA COMPARTE
The Complete
• Tipos de Datos (Vector
Image Processing • Visualizaciones • Archivos Shape para GIS
Platform y Raster)
at
• Preparación y Registro • Mapas
ENVI is the premier • Soporte de Formatos de Datos
application for extracting • Imágenes
de Archivos
geospatial information from • Clasificación Espectral
lem
remotely-sensed imagery. • Publicación
• Soporte de Sensores
• Extracción de Elementos
• Acceso de Datos
• Detección de Cambios
Remotos
EXTIENDE
te
IDL, C++, Java, .Net, C#
w.
149
- ww
Soporte de gran variedad de Formatos de

A.
Archivos para el Procesamiento de Imágenes

S.
A
IC
AT
M
LE

TE
75
e
.p
m
.co
El usuario es guiado a través
de paneles de procesamiento
paso a paso
ica
Interfaz intuitiva con
instrucciones
descriptivas
at
lem
te
w.
- ww
A.

S.
TERCAT
Crea definido por el usuario o genera automáticamente la
clasificación del terreno
A
IC
AT
M
LE

TE
76
e
.p
m
.co
ica
at
lem
Ordenar y filtrar
los resultados
te de anomalías
w.
- ww
A.

S.
Target Detection Wizard

Este asistente trae algoritmos avanzados juntos en un flujo de trabajo
fácil de usar, permite a los usuarios de todos los niveles encontrar
A
objetivos en sus imágenes MS e HS.

IC
AT
M
Selección
LE
de
obejetivos
TE
77
e
.p
m
.co

ica
at
Selección
de
lem
Métodos
te
w.
- ww
A.

S.

A
Resultados
IC
Previos
AT
M
LE

TE
78
e
.p
m
.co
Pan Sharpening
• Fusiona una imagen pancromática con datos
multiespectrales para crear una imagen en color de alta
ica
resolución
at
+ =
lem
te
w.
- ww
A.
Módulos Adicionales
ENVI DEM Extraction
S.
ENVI Atmospheric Correction

ENVI Orthorectification Module
A
ENVI Feature Extraction Module

IC
SarScape
AT
M
LE

TE
79
e
.p
m
DEM Extraction
.co
Permite rápida y fácilmente crear con exactitud espacial modelos digitales de
elevación (DEMs) de imágenes geoespaciales. Se pueden producir modelos precisos
ica
y robustos de prácticamente cualquier foto aérea o pares imágenes satelitales
estéreo con RPCs, incluídas aquellas de los sensores de ASTER, IKONOS,
OrbView-3 , QuickBird y SPOT 1-5, entre otros.
at
lem
te
w.
- ww
A.
Atmospheric Correction
S.
Permite eliminar fácilmente la interferencia atmosférica de su imagen,

proporcionando datos exactos y fiables. El método de ENVI trata cada imagen y su
A
atmósfera impresa individualmente, creando un modelo único cada vez que es una
representación real y fiable de una escena de imagen específica.
IC
Construido a partir de la experiencia y reputación de la metodología FLAASH, pero

AT
buscando una solución más rápida y sencilla.
Incorpora los algoritmos FLAASH y QUAC.

M
LE

TE
80
e
.p
m
.co
ACM = FLAASH + QUAC
Al conocido modulo FLAASH se adiciona un método más simple y más rápido.
ica
Diferencias clave:
QUAC usa métodos In-Scene
Más aproximado y no se basa en los principios de la física basada en métodos
at
Típica precisión en relación con FLAASH dentro del 15%
QUAC se puede utilizar con mal calibrado de radiometría o donde se desconoce la
lem
intensidad de iluminación solar, mientras que en FLAASH no.
QUAC es significativamente mas rápido y adecuado para aplicaciones en tiempo
real.
te
w.
- ww
A.
S.
A
IC
AT
M
LE

TE
81
e
.p
m
.co
ANTES DESPUÉS
ica
at
lem
te
w.
- ww
A.
Orthorectification
S.
Proporciona un conjunto de herramientas avanzado, fácil de utilizar para

ortorrectificar imágenes de satélite.
A
Brinda a los poco expertos o a los que no son fotogrametristas flujos de

trabajo automatizados que permite obtener resultados de expertos.
IC
El módulo proporciona resultados rápidos y precisos de multiples imágenes,

de multiples sensores.
AT
M
LE

TE
82
e
.p
m
Orthorectification
.co
Características y funcionalidades:
Modelos Rigurosos para Sensores Procesamiento en Batch
ica
Multiples Escenas GCPs para ajuste de modelos
Ajuste de paquetes en Bloque Automatizada comprobación de Error &
QC
Generación Automática de cut-line
at

Edición Manual del cut-line
lem
Balance Automático de Color
te
w.
- ww
A.
Orthorectification
S.
Soporta los siguentes sensores:
ASTER SPOT 1-5

A
IKONOS-2 WorldView-1
IC
LANDSAT 4-5 y 7 GeoEye-1

OrbView-3 CARTOSAT-1
AT
QuickBird-2 FORMOSAT-2
EROS A1 KOMPSAT-2
ERS SAR, Radarsat-1 RPCs
M
IRS P6 Permite personalizar (para adicionar

nuevos sensores)
LE

TE
83
e
.p
m
Orthorectification (Workflow)
.co
ica
at
lem
Fácil ingreso de archivos y parámetros de salida.
te
w.
- ww
A.
Orthorectification
S.
A
IC
AT
M
LE
Vista GCPs, errores y layout.

TE
84
e
.p
m
Orthorectification (Resultados)
.co
ica
at
lem
te
AVIRIS Data: Cruda (izquierda) y procesado (derecha)
w.
- ww
A.
Feature Extraction
S.
Permite identificar objetos de imágenes pancromáticas o multiespectrales

basados en características espaciales, espectrales y de textura para luego
clasificarlos en tipos de elementos conocidos usando para ello flujos de trabajo
basados en reglas, basados en muestras o solamente en segmentos
A
Vehículos:
IC
Aviones, tanques, autos,

embarcaciones, etc.
AT
Construcciones:
Contorno de construcciones, techos
residenciales, etc.
Transporte:
M
Carreteras, puentes, aeropuertos,

puertos, etc.
LE
Elementos Naturales:
Ríos, lagos, bosques, etc.
TE
85
e
.p
m
Feature Extraction
.co
Ejemplo: Extracción de Aviones (0.6m Pan)
ica
at
lem
te
w.
- ww
A.
Feature Extraction
S.
Ejemplo: Extracción de Techos (0.6m Pan)

A
IC
AT
M
LE

TE
86
e
.p
m
Feature Extraction
.co
Ejemplo: Extracción de Ríos (0.6m Pan)
ica
at
lem
te
w.
- ww
A.
SARscape
Permite leer con facilidad, procesar, analizar y proveer salida de datos SAR, al
S.
tiempo que se da la opción de integrar esa información con herramientas y con el

resto de sus datos geoespaciales. Esta singular capacidad de análisis transforma los
A
datos difíciles de interpretar y los convierte en números significativos e información

contextual. Y, debido a que el módulo SARscape® está integrado con ENVI, se tiene
IC
el beneficio añadido de una herramienta superior de funciones y análisis espectral en

un solo paquete.
AT
M
LE

TE
87
e
.p
Personalización de ENVI utilizando IDL
m
IDL contiene una extensa biblioteca de
.co
rutinas de análisis y procesamiento de
imágenes.
Permite extraer información útil de casi
ica
cualquier tipo de imagen digital.
Cuenta con herramientas para
transformar geometría de imágenes,
at
mapeo o cartografía, masking y
estadística, warping, análisis de
regiones de interés y filtrado y
lem
contraste.
Permite personalizar aplicaciones
te
w.
- ww
A.
Muchas Gracias
S.
cursos@telematica.com.pe
A
IC
AT
M
LE

TE
88

Envi Lecturas 2014 PDF

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Envi Lecturas 2014 PDF

Загружено:

Авторское право:

Доступные форматы

e

Almacenamiento de datos Raster

¿Qué es una imagen?

La unidad visual más pequeña que se puede

Introducción a la Teledetección y Procesamiento Digital de Imágenes utilizando ENVI 1-4

Valor = nivel digital (ND) percibido

Introducción a la Teledetección y Procesamiento Digital de Imágenes utilizando ENVI 1-6

Como se forman los colores en una computadora

8 bit 256 colores

Monitores 3 canales de COLOR:

- Azul (B) 256 x 256 x 256 = 16,7 mill.

83 = 24 bits 16,7 millones de valores de color

Introducción a la Teledetección y Procesamiento Digital de Imágenes utilizando ENVI 1-8

material con el objeto observado.

Introducción a la Teledetección y Procesamiento Digital de Imágenes utilizando ENVI 1-10

Emisión: Energía emitida por los propios objetos

Reflexión-Emisión: El sensor emite y luego capta la

Lo que recibe el sensor es una FUENTE DE

Introducción a la Teledetección y Procesamiento Digital de Imágenes utilizando ENVI 1-12

Los sensores pueden medir otras porciones del EEM

Introducción a la Teledetección y Procesamiento Digital de Imágenes utilizando ENVI 1-14

Verde - Máxima reflectancia,

por lo tanto, podemos ver los

Introducción a la Teledetección y Procesamiento Digital de Imágenes utilizando ENVI 1-16

Pasivos: solo reciben señal (camaras fotográficas, Exploradores de

Introducción a la Teledetección y Procesamiento Digital de Imágenes utilizando ENVI 1-18

en la imagen Tamaño del pixel.

Almacenamiento de datos Raster

band 1 band 2 band 3

BIL (Banda Entrelazado por línea)

band 1 band 2 band 3

BIP (Banda Entrelazado por Pixel) band 2

• Valores Medidos (luz)

Datos Discretos (Imágenes Temáticas)

Se utiliza para extraer información de imágenes multiespectrales

Introducción a la Teledetección y Procesamiento Digital de Imágenes utilizando ENVI 1-22

banda 5 banda 4 banda 3

Introducción a la Teledetección y Procesamiento Digital de Imágenes utilizando ENVI 1-24

Los elementos pueden volverse más evidentes

Area Urbana (4,5,3) Vegetación (4,3,2)

Introducción a la Teledetección y Procesamiento Digital de Imágenes utilizando ENVI 1-26

TELEMATICA S.A. 2014 – www.telematica.com.pe

Las imágenes son matrices de datos.

El histograma es la frecuencia de valores de los pixels expresadas en un grafico.

Introducción a la Teledetección y Procesamiento Digital de Imágenes utilizando ENVI 1-30

Eje Y es la frecuencia para cada valor del archivo

Realce de una imagen

Imagen original Imagen con realce

Introducción a la Teledetección y Procesamiento Digital de Imágenes utilizando ENVI 1-32

Realce de una imagen

Introducción a la Teledetección y Procesamiento Digital de Imágenes utilizando ENVI 1-34

Linear 2% Gaussiano Ecualizado

Introducción a la Teledetección y Procesamiento Digital de Imágenes utilizando ENVI 1-36

Introducción a la Teledetección y Procesamiento Digital de Imágenes utilizando ENVI 1-38

Imagen original Filtro paso alto Filtro paso bajo

Introducción a la Teledetección y Procesamiento Digital de Imágenes utilizando ENVI 1-40

Introducción a la Teledetección y Procesamiento Digital de Imágenes utilizando ENVI 1-42

Comparando Datos y valores de estiramiento.

Aplicando tablas de colores y la herramienta

Estiramiento personalizado y fotográfico

Fusión de imágenes usando HSV Sharpening.

Fusión de imágenes de alta resolución.

Introducción a la Teledetección y Procesamiento Digital de Imágenes utilizando ENVI 1-44