3. La herramienta de la teledetección: el análisis visual y el procesamiento de imágenes

Como se viene señalando, necesitamos una serie de criterios para expresar las características de una imagen a la hora de interpretarla. Cada critero incluye una serie de elementos de interpretación para su operacionalidad. Según el grado de complejidad de los criterios, los elementos de interpretación pueden agruparse jerárquicamente en criterio espectral (tono y color), criterio espacial simple (textura, tamaño y forma), criterio espacial complejo (sombras, localización, patrón especial) y criterio temporal (condiciones estacionales) (imagen 92) (Chuvieco, 2002).

Criterio espectral

Tono

El tono se define como el brillo relativo de los objetos en una imagen en blanco y negro. Las variaciones tonales son una característica específica muy importante en la interpretación, conformándose como uno de los principales criterios de interpretación visual. El tono se refiere al color tal como se define en el espacio de color IHS (intensidad, matiz, saturación). La expresión tonal de los objetos en la imagen está directamente relacionada con la cantidad de luz (u otras formas de energía EM) reflejada (o emitida) desde la superficie. Es probable que los diferentes tipos de roca, suelo o vegetación tengan diferentes tonos. Asimismo, las variaciones en las condiciones de humedad también se reflejan como diferencias tonales en la imagen (por ejemplo, el aumento del contenido de humedad genera tonos de gris más oscuros). Las variaciones en el tono se relacionan principalmente con las características espectrales del terreno de la imagen y también con las bandas seleccionadas para la visualización. Estas diferencias pueden ser producidas por: la impresión de la imagen (distintas impresiones pueden dar distintos tonos en dos imágenes contiguas), la posición del Sol (su elevación dependiendo de la hora del día y de la estación del año), la distinta reflectividad de los elementos según la longitud de onda considerada (el tono característico de una cubierta varía con la banda del espectroN utilizada) (imagen 93) (CONAE, 2016; Tempfli, Kerle, Huurneman y Jansse, 2009).

Color

El color es una característica de luz determinada por la composición espectral de la luz en su interacción con el ojo humano. De ello se deriva que el color es un fenómeno psicofísico, y la percepción del color es subjetiva. Experimentamos la luz de diferentes longitudes de onda como diferentes colores. El ojo actúa muy similar a una cámara, con los lentes (a través de detectores de luz llamados bastones y conosN) formando la imagen de la escena en la retina, sensible a la luz (imagen 94). Los conos están agrupados en tres tipos, cada uno responde a una parte del espectro visible, con respuestas pico según la luz azul, verde y roja correspondiente. La interacción de estos elementos responde a estímulos que son interpretados por el cerebro como color (Tempfli, Kerle, Huurneman y Jansse, 2009).

La teoría aceptada sobre la visión del color es conocida como teoría tricromática. El conocimiento del fenómeno de los “valores triestímulos” condujo al desarrollo de monitores de color. Las pantallas de televisión en color y los monitores de computadora se componen de una gran cantidad de pequeños puntos dispuestos en un patrón regular de grupos de tres: un punto rojo, uno verde y uno azul. A una distancia de visualización normal de la pantalla, no podemos distinguir los puntos individuales. Las pistolas electrónicas para rojo, verde y azul se colocan en la parte posterior del tubo de rayos catódicos. El número de electrones que disparan los monitores de color de estas pistolas en una determinada posición de la pantalla determina la cantidad de luz (roja, verde y azul) emitida desde esa posición. Por lo tanto, todos los colores visibles en dicha pantalla se crean mezclando diferentes cantidades de rojo, verde y azul. Esta mezcla tiene lugar en nuestro cerebro (imagen 95) (Tempfli, Kerle, Huurneman y Jansse, 2009).

Desde el modelo triestímulo de la percepción del color (generalmente aceptado) se utilizan varios espacios tridimensionales para describir y definir los colores (imágenes 96 y 97). Los más utilizados para la interpretación de imágenes son los siguientes:

1. Espacio rojo-verde-azul (RGB), que se basa en el principio aditivo de los colores.
2. Espacio de intensidad-matiz-saturación (IHS), que se adapta mejor a nuestra percepción intuitiva del color.
3. Espacio amarillo-magenta-cian (YMC), que se basa en el principio sustractivo de los colores. (Tempfli, Kerle, Huurneman y Jansse, 2009: 173)

La ventaja del color sobre el tono es que el ojo humano tiene una sensibilidad mucho mayor para las variaciones de color (aproximadamente 10.000 colores) que para el tono (aproximadamente 200 niveles de grises) (Chuvieco, 1995).

Criterio espacial simple

Textura

La textura se refiere a la frecuencia con la que suceden contrastes tonales (píxeles) entre los elementos que componen las diferentes cubiertas. Es un criterio que aporta información sobre la heterogeneidad espacial. Esta característica se produce por una agregación de rasgos unitarios que pueden resultar indistinguibles de forma aislada, pero que, en conjunto, se diferencian respecto al resto de la foto (por ejemplo, cada parcela cultivada tiene su propia forma, tamaño, patrón, sombra y tono, pero todas estas características juntas producen una sensación visual que permite diferenciar entre un tipo de cultivo y otros). Esta valoración se refiere a la frecuencia de cambio tonal entre los píxeles. De este modo, cuanto más parecido sea el tono entre los píxeles adyacentes en la imagen, la cubierta tenderá a visualizarse con un textura más fina (lisa), mientras que si se da frecuencia alta de cambio entre estos píxeles, se conformarán texturas rugosas (gruesas). La textura es un criterio muy dependiente de la resolución espacial del sensor, las condiciones de luminosidad cuando fue tomada la imagen y la longitud de onda en la que fue registrada. Es importante prestar especial atención a estos factores ya que pueden llevar a errores en la clasificación (imagen 98) (CONAE, 2016; Tempfli, Kerle, Huurneman y Jansse, 2009).

Forma

Es un criterio muy determinado por la resolución espacial de las imágenes. Hace referencia a la forma que tienen los objetos, al contorno de su perímetro o perfil, es decir, a cómo se ve en una foto bidimensional (imágenes 100 y 101). La altura/elevaciónN  es un criterio a tener en cuenta, dentro de la forma, cuando se trabaja con visión estereoscópica en la interpretación visual (imagen 99).

La interpretación de las formas presta especial atención a la geometría (lineal, irregular, regular, anguloso, redondeado, etc.) y a la nitidez de los contornos (nítido, difuso, continuo, discontinuo, etc.). Es uno de los criterios más sencillos y claros. En algunos casos esta característica bastará para diferenciar el objeto de estudio de los del resto de la imagen (IGN, 2011).

Tamaño

Al igual que la forma, el tamaño es un criterio muy condicionado por la resolución espacial de las imágenes. Este criterio permite comparar la dimensión de los objetos, ejercicio imprescindible para realizar una clasificación correcta. También permite establecer el tamaño más frecuente para una categoría, facilitando su fotointerpretabilidad (imagen 102). El tamaño de los objetos se puede considerar en un sentido relativo o absoluto. El ancho de una carretera se puede estimar, por ejemplo, comparándolo con el tamaño de los autos, dato generalmente conocido. Asimismo, es necesario determinar el tipo de camino según su anchura, jerarquizándolo como camino principal, camino secundario, etcétera.

La combinación de los criterios de forma y tamaño permite diferenciar cubiertas o usos que presenten comportamientos espectrales similares o idénticos (IGN, 2011).

Criterio espacial complejo

Sombras

Las condiciones de iluminación de la superficie terrestre influyen notoriamente en la señal de radiancia recibida por el sensor y, por tanto, en los criterios visuales que se apoyan en la presencia de sombras. Es necesario prestar especial atención a la ubicación de las sombras para no introducir límites falsos en la delineación de las categorías de los objetos de la imagen. Facilita el cálculo de la altura, ayuda a la percepción tridimensional de los objetos (profundidad) y realza los rasgos geomorfológicos y texturales de la imagen, especialmente en coberturas vegetales (imagen 103). Es un criterio dependiente de la fecha de adquisición de la imagen y del relieve local (CONAE, 2016; IGN, 2011).

Localización

La localización o contexto espacial es un criterio fundamental para clasificar correctamente cubiertas que presentan una respuesta espectral muy parecida. Hace referencia a la relación de vecindad entre cubiertas, es decir, a la posición topográfica o geográfica en la que se encuentra un objeto o elemento respecto a un contexto de referencia (montaña, valle, ciudad, etc.) (imagen 104). Por ejemplo, un bosque de montañas es diferente de un bosque cerca del mar o de un bosque de ribera en un valle. Asimismo, es probable que un edificio grande al final de varios ferrocarriles convergentes sea una estación ferroviaria, no un hospital (Tempfli, Kerle, Huurneman y Jansse, 2009).

Patrón

El patrón se refiere a la disposición espacial de los objetos e implica la repetición característica de ciertas formas o relaciones. Puede describir repeticiones concéntricas, radiales, etc. (imagen 105). Por ejemplo, algunos usos de la tierra tienen patrones específicos y característicos cuando se observan desde el aire o el espacio (cultivos en aterrazamientos o bancales). La distribución regular de los olivos o vides en un olivar o viñedo, en contraste con la distribución irregular (sin patrón distinguible) de las diversas especies en una dehesa, o el sistema hidrológico (río con sus ramales) y los patrones relacionados con la erosión son otros ejemplos de patrón (CONAE, 2016; Tempfli, Kerle, Huurneman y Jansse, 2009).

Criterio temporal

Condiciones estacionales

Los aspectos temporales asociados con los fenómenos climatológicos posibilitan observar cambios en algunos de los criterios visuales expuestos anteriormente (por ejemplo, el contenido de humedad del suelo varía según la época del año). La comparación entre imágenes multianuales o multiestacionales para una misma cubierta permite distinguir estas características (imagen 106). Este tipo de análisis es muy ventajoso en cubiertas agrícolas y forestales. Las principales diferencias se van a observar en el brillo, color, sombras, geometría y patrón espacial. Por otro lado, estos aspectos son importantes para interpretar los cambios ocurridos en un período de tiempo determinado en cuanto a la acción antrópica sobre el medio (usos de suelo, deforestación, etc.) (CONAE, 2016; IGN, 2011).

El uso simultáneo de estos criterios constituye la importancia de la interpretación visual de las imágenes. En la clasificación digital de las mismas solo se analiza la respuesta espectral, hecho que revela la limitación actual de los métodos automatizados en comparación con la interpretación visual.

Antes del análisis de los datos, se lleva a cabo, generalmente, un preprocesamiento de las imágenes para corregir cualquier distorsión debida a las características del sistema con el que se han obtenido dichas imágenes. Según los requisitos del usuario, los operadores de las estaciones terrestres pueden llevar a cabo algunos procedimientos de corrección estándar antes de que los datos se entreguen al usuario final. Este procedimiento incluye una corrección radiométrica de los errores producidos por los sensores que generan píxeles incorrectos; una corrección geométrica para arreglar las distorsiones en la imagen global derivada de alteraciones en el movimento del satélite y el mecanismo de captación de los sensores (como la visualización oblicuaN) (imagen 107), y una corrección atmosférica que trata de solucionar la interferencia sistemática de la atmósfera en los valores de los píxeles (Chuvieco, 1995).

Las imágenes de la superficie terrestre se toman a una gran distancia. Como resultado, la energía electromagnética debe atravesar la atmósfera (y sus condiciones) antes de que llegue al sensor. Dependiendo de las longitudes de onda involucradas y de las condiciones atmosféricas (como materia particulada, contenido de humedad y turbulencia), la energía entrante puede modificarse sustancialmente. El propio sensor puede modificar el carácter de esos datos, ya que puede combinar una variedad de componentes mecánicos, ópticos y eléctricos que sirven para modificar o enmascarar la energía radiante detectada. Asimismo, durante el tiempo de escaneado de la imagen, el satélite está siguiendo una trayectoria sujeta a pequeñas variaciones. La geometría de la imagen está, por lo tanto, en un flujo constante. Finalmente, la señal debe ser enviada de regreso a tierra, recibida y procesada para obtener los datos finales. Durante este proceso, una amplia variedad de perturbaciones sistemáticas aleatorias pueden interactuar para degradar la calidad de la imagen final que se recibe (Chuvieco, 1995).

Corrección radiométrica

La corrección radiométrica es la más sencilla de realizar. Consiste en la eliminación o disminución de distorsiones en el grado de energía electromagnética registrada por cada detector. Una variedad de agentes puede causar distorsión en los valores registrados para los píxeles de la imagen. La corrección radiométrica implica, por un lado, la restauración de líneas o píxeles perdidos y, por otro, la corrección del bandeado de la imagen.

Algunas de las distorsiones más comunes que se producen son: valores uniformemente elevados, debido a la bruma atmosférica, que dispersa preferentemente bandas de longitud de onda corta (particularmente, las longitudes de onda azules); rayado (imagen 108), debido a que los detectores salen de calibración; ruido aleatorio, debido al rendimiento impredecible y no sistemático del sensor o la transmisión de los datos; y la caída de la línea de exploración (imagen 109), debido a la pérdida de señal de detectores específicos. También es apropiado incluir aquí los procedimientos que se utilizan para convertir los valores de reflectancia relativa sin unidad, en bruto (conocidos como números o valores digitales) (DN) de las bandas originales en verdaderas medidas de potencia reflectiva (radiancia) (RS).

Afortunadamente, la restauración de la imagenN en los nuevos sensores en general es realizada por los proveedores de datos. Es posible que solo sea necesario aplicar técnicas como la eliminación de errores y la corrección de líneas caídas al trabajar con datos e imágenes antiguas, por ejemplo, los proporcionados desde Landsat MSS. La restauración de la imagen debe aplicarse antes de nuevas correcciones y mejoras (Chuvieco, 1995).

Corrección atmosférica

Las interacciones de la radiación solar directa y de la radiación reflejada por la superficie terrestre con los componentes atmosféricos van a interferir con el proceso de transmisión de información en teledetección, originando un “efecto de la atmósfera” que es necesario corregir. La corrección atmosférica intenta evaluar y eliminar las distorsiones que la atmósfera origina en los valores de radiancia que llegan al sensor desde la superficie terrestre. En este sentido, son correcciones que van a basarse en modelos físicos más complejos que los modelos estadísticos utilizados en las correcciones geométricas y radiométricas (Tempfli, Kerle, Huurneman y Jansse, 2009).

Es necesario, en primer lugar, convertir los niveles digitales (ND) almacenados por el sensor en valores de radiancia. Estos ND llegan al sensor a través de una ecuación lineal (de la energía recibida). Para obtener los valores de energía recibida hay que aplicar la inversa de esa ecuación lineal:

\[ L_{sen,k} = a0_k + a1_k ND_k \]

a0_k y a1_k son los coeficientes de calibración para la banda concreta.

k se refiere a cada una de las bandas del sensor.

L_sen,k es la radiación que recibió el sensor.

Como ejemplo, en la tabla 4 se muestran los valores de estos parámetros para Landsat-5, los valores de irradiancia solar en el techo de la atmósfera (E0_k) y de transmitancia (τ_k) para cada una de las bandas (Alonso, 2006).

La radiancia recibida por el sensor no es la radiancia exacta que procede del suelo, ya que esta es reducida por la absorción atmosférica y, a su vez, incrementada por la radiancia que introduce la propia atmósfera (dispersión). Esta relación es expresada a través de la siguiente ecuación:

\[ L_{senk,k} = L_{sue,k} \tau_{k,a} + L_{a,k} \]

La radiación que llega al sensor resulta de multiplicar la radiación procedente del suelo por la transmisividad de la atmósfera ascendente y sumarle la radiancia aportada por la dispersión atmosférica.

Para la estimación de L_a,k (variable que disminuye al aumentar la longitud de onda) existen dos métodos relativamente sencillos: a) Mínimo del histograma (o sustracción de objetos oscuros). Se trata de localizar en la imagen áreas con reflectancia cercana a cero en el infrarrojo (superficies de agua limpia y profunda, o similares). Estos valores mínimos del histogramaN para las diferentes bandas (k) son una buena aproximación a L_{a, k}y por tanto se substraen a los valores originales para conseguir una mejor estimación de L_sue,k (el valor ND mínimo en el histograma de una escena completa se resta de todos los píxeles) (Alonso, 2006). En el caso de Landsat, las bandas 5 y 7 poseen unos valores descartables de L_a,k y no suelen corregirse. b) Regresión. Se realiza un análisis de regresión de las bandas TM1, TM2 y TM3 respecto a la banda TM4, con la intención de obtener los parámetros de las siguientes ecuaciones:

TM1 = a1TM4 + b1

TM2 = a2TM4 + b2

TM3 = a3TM4 + b3

Se utiliza b_k como estimación de L_a,k.

Los valores de transmisividad pueden evaluarse a partir de la ecuación

\[ \large \tau_{k,a} = e^{-\tau}_{k^{/cos0_o}} \]

donde θ_o es el ángulo de observación.

Los valores de irradiancia solar (e) y de transmitancia (τ_k) para cada banda de Landsat-5 aparecen en la tabla 4 anterior (Alonso, 2006).

Un problema habitual en el sensor es el ruido aleatorio que degrada el contenido de información radiométrica. Por ejemplo, una de las “peculiaridades de la escena” que se registra es cómo se ilumina. Si se considera un área en una latitud apreciable como Argentina, su iluminación será bastante diferente en invierno y en verano (brillo general, sombras, etc.) debido a la diferente elevación del sol (Tempfli, Kerle, Huurneman y Jansse, 2009: 186). La radiación del cielo en el detector produce turbidez en la imagen y reduce el contraste. Para corregir esto se utiliza la corrección de la elevación del Sol (imagen 110). Las diferencias en la iluminación estacional pueden dificultar el análisis de secuencias de imágenes de la misma área, pero tomadas en diferentes momentos o mosaicos de dichas imágenes.

Asimismo, la dispersión atmosférica agrega una “radiación del cielo”. La corrección de la neblina (imagen 111) tiene como objetivo eliminar este efecto de los datos en bruto. La dispersión de Rayleigh difícilmente afectará las grabaciones en la banda espectral roja, mientras que los valores digitales (ND) en la banda azul pueden ser significativamente más elevados. La reducción de la turbidez, por lo tanto, debe realizarse de forma independiente en cada banda de una imagen RS.

Corrección geométrica

Ni la imagen de satélite ni la fotografías aéreas proporcionan información georreferenciada (información que determina la ubicación de un elemento geográfico concreto). Cada píxel se sitúa en un sistema de coordenadas arbitrario de tipo fila-columna. Es necesario ubicar la imagen en un sistema de coordenadas para poder correlacionarlas con otras capas de información del área y trabajar con ella. De este modo, el proceso de georreferenciación proporcionará a cada píxel una localización en un sistema de coordenadas de referencia (UTM, Lambert, coordenadas geográficas). Tras la georreferenciación se obtiene una nueva capa de información en la que cada columna corresponde con un valor de longitud y cada fila con un valor de latitud (ESRI, 2018).

En el proceso de georreferenciación es necesario corregir las distintas distorsiones sufridas por las imágenes. Las correcciones necesarias para transformar las coordenadas arbitrarias de cada píxel de la imagen (fila-columna) en coordenadas reales (X e Y UTM, por ejemplo) se realizan mediante un par de ecuaciones que hacen corresponder a cada píxel par (f,c) un par (X,Y).

X = f₁(f, c)

Y = f₂(f, c)

La forma y parámetros de estas funciones van a depender, principalmente, del tipo de enfoque que se escoja para realizar la georreferenciación. Existen dos métodos habituales: la corrección orbital, que modeliza las fuentes de error y su influencia (es necesario conocer con precisión tanto las características de la órbita del satélite como las del sensor); y el enfoque empírico, que modeliza la distribución de errores en la imagen a través de una serie de puntos de control. El primer método resulta automático si se conoce la información necesaria y las ecuaciones de transformación, aunque no es fiable cuando aparecen errores aleatorios (es el que se suministra cuando se pide la imagen ya georreferenciada al proveedor). El segundo método es más sencillo en cuanto a su formulación y corrige mejor los errores aleatorios; sin embargo, resulta mucho más laborioso (Alonso, 2006).

Es necesario señalar que con las fotografías aéreas el proceso es más complejo. No solo existen distorsiones sistemáticas relacionadas con la inclinación y la altitud, sino que la variación del relieve topográfico lleva a distorsiones muy irregulares (paralaje diferencial) que no es posible eliminar mediante un procedimiento de transformación básico. En estos casos, es necesario usar la rectificación fotogramétrica (imagen 113) para eliminar estas distorsiones y proporcionar medidas precisas (Alonso, 2006).

El cambio brusco de altitud dentro de una imagen es uno de los principales elementos que producen errores en el proceso de georreferenciación. Si se dispone de un Modelo Digital de Elevaciones (MDE), es decir, una capa rásterN que contiene en cada celdilla su valor de altitud, es posible incorporar este MDE al proceso de georreferenciación (Alonso, 2006).

La mejora de la imagen se refiere a su modificación para hacerla más adecuada a las capacidades de la visión humana o automática y su interpretación. Las mejoras pueden agruparse en dos bloques: procesos de ajuste de contraste, aquellos que tratan de adaptar la resolución radiométrica de la imagen a la capacidad de visualización del monitor, y procesos de filtrado, aquellos que intentan suavizar o reforzar contrastes en la imagen para que los ND de la imagen se asemejen o diferencien más de los correspondientes a los píxeles vecinos.

Ajuste de contraste

Respecto al ajuste de contraste existen dos opciones que derivarán en dos técnicas diferentes de ajuste: el estiramiento de contraste y la compresión de contraste. Al estirar, tratamos de que el rango de ND de la imagen sea menor que el número de visualización (NV) para facilitar la memoria gráfica del ordenador (es la técnica más utilizada). Por otro lado, al comprimir, intentamos que esta capacidad de visualización sea menor que el rango de ND de la imagen (como es habitual utilizar ordenadores con una resolución gráfica en pantalla de 8 bits para cada uno de los colores elementales (rojo, verde y azul), no es necesario utilizar esta técnica).

Existen dos formas de trabajar las mejoras y realces: mediante los operadores puntuales, que son transformaciones que modifican el nivel de gris de cada píxel independientemente de la naturaleza de los píxeles vecinos; y las técnicas de modificación del histograma, que también modifican el nivel de gris de cada píxel, pero, en este caso, con base en el estudio del histograma de la imagen completa.

Normalmente, para realizar una mejora de contraste sobre una imagen suelen tenerse dos intenciones diferentes: la primera es la “mejora temporal”, en la que no queremos cambiar los datos originales, sino que solo queremos obtener una mejor imagen en el monitor para poder realizar una determinada tarea de interpretación o procesamiento. Un ejemplo de esto es la visualización de imágenes para la corrección geométrica. La segunda intención es la de generar nuevos datos, con una mayor calidad visual. Un ejemplo de ello es la producción de ortofotos y el mapeo de imágenes (Chuvieco, 1995).

Dentro de los procesos de estiramiento de contraste, los operadores puntuales maniobran en función de la intensidad de cada píxel de forma independiente y aplican funciones de transformación sobre cada uno de los píxeles a lo largo de una imagen simple (una única banda). Son técnicas sencillas de realce que pueden aplicarse mediante LUT's (Look Up Tables), N (también llamadas CLUT’s (Color Look Up Tables) o tablas indexadas de asignación (imagen 114), en las cuales a cada valor de nivel de gris de entrada se le hace corresponder un valor prefijado de salida. Facilitan la aplicación de transformaciones sin necesidad de calcular el valor de salida de cada píxel. Además de acelerar los cálculos, las LUT's permiten almacenar modificaciones de las imágenes en forma de tablas (solo 256 valores para imágenes cuya resolución radiométrica sea de 8 bits/píxel para cada uno de los colores elementales), sin necesidad de almacenar la imagen completa (Ruiz Fernández, 2018).

Para corregir esto (presente en toda la imagen), resulta útil examinar los histogramas de la imagen antes de realizar cualquier mejora de la misma. El eje x del histograma es el rango de los números digitales disponibles, es decir, de 0 a 255. El eje y es el número de píxeles en la imagen que tiene un número digital dado. Los histogramas de las tres bandas de esta imagen (imagen 116) se muestran en las siguientes figuras.

Es necesario tener en cuenta que el número digital mínimo para cada banda no es cero. Como puede observarse en la imagen anterior (116) cada histograma se desplaza hacia la derecha una cierta cantidad. Este cambio se debe a que el componente de dispersión atmosférica se agrega a la radiación real reflejada desde el suelo. El cambio es particularmente notable para la banda XS1 en comparación con las otras dos bandas debido a la mayor contribución de la dispersión de Rayleigh para la longitud de onda más corta. El número digital máximo de cada banda tampoco es 255. El factor de ganancia del sensor se ha ajustado para anticipar cualquier posibilidad de encontrar un objeto muy brillante. Por lo tanto, la mayoría de los píxeles de la imagen tienen números digitales muy por debajo del valor máximo de 255 (CRISP, 2001).

Teniendo esto en cuenta, la imagen se puede mejorar mediante un simple estiramiento del contraste lineal (una de las técnicas más habituales). En este método, se elige un valor de umbral de nivel para que todos los valores de píxeles por debajo de este umbral se asignen a cero. También se elige un valor de umbral superior para que todos los valores de píxeles por encima de este umbral se asignen a 255. Todos los demás valores de píxeles se interpolan linealmente entre 0 y 255. Los umbrales superior e inferior generalmente se eligen para que sean valores cercanos al mínimo y valores máximos de píxel de la imagen. La tabla de transformación de nivel de gris  (imagen 117) se muestra en el siguiente gráfico (Tempfli, Kerle, Huurneman y Jansse, 2009).

El resultado de aplicar el estiramiento lineal se muestra en la siguiente imagen (118). Se debe tener en cuenta que el aspecto nebuloso general se ha eliminado, excepto en algunos sectores cercanos a la parte superior de la imagen. El contraste entre diferentes características ha sido notablemente mejorado.

Como se señalaba anteriormente, el estiramiento de contraste lineal es una transformación de escala de grises simple donde el ND de entrada más bajo de interés se convierte en 0 y el ND de interés más alto se convierte en 255 (imagen 120). El monitor mostrará 0 como negro y 255 como blanco. Como ND de entrada más bajo y más alto, a menudo tomamos los valores de 1% y 99%.

La relación funcional entre los ND de entrada y los valores de píxeles de salida es lineal, como se muestra en la imagen 120(a). La función que aparece en la primera fila de la imagen 120 (en el contexto del histograma de la imagen de entrada) se denomina función de transferencia. Muchos paquetes de software de procesamiento de imágenes permiten manipular gráficamente la función de transferencia para que pueda obtenerse una apariencia de imagen a gusto del usuario. La implementación de la transformación se puede hacer en una tabla de consulta tal como puede observarse en la imagen 119 (Tempfli, Kerle, Huurneman y Jansse, 2009).

La ecualización del histograma (imagen 120 [b]) es otra técnica de estiramiento o expansión de contraste, no lineal. Varios paquetes de procesamiento de imágenes lo ofrecen como una función predeterminada. En esta expansión del contraste, la asignación del color no se realiza en relación con el valor digital del píxel, sino mediante el orden que ocupa en la distribución de valores. Es decir, se considera la distribución de frecuencias en los ND originales. El objetivo es generar una LUT en la cual cada NV posea, de forma aproximada, el mismo número de ND de la imagen. Con base en este criterio, el NV asignado a cada ND está en proporción no solo a este valor, sino también a su frecuencia. Si la imagen original presenta una distribución gaussiana (distribución normal), es posible obtener mejores resultados (Tempfli, Kerle, Huurneman y Jansse, 2009: 195-197).

Es importante tener en cuenta que la mejora del contraste (por estiramiento lineal o ecualización de histograma) tan solo amplifica las pequeñas diferencias en los datos para que podamos diferenciar visualmente las características, pero no aumenta el contenido de información de los datos (Tempfli, Kerle, Huurneman y Jansse, 2009: 197).

Filtrado

Los filtros son utilizados, al igual que las técnicas anteriormente señaladas, para obtener una mejora visual de las imágenes. Podemos agrupar los filtros en dos tipos según la modificación que realizan: a) los filtros de suavizado, que producen un efecto de desenfoque, restando definición a la imagen y atenuando las diferencias entre píxeles vecinos; y, en contraste, b) los filtros de realce, que producen un efecto de enfoque, aumentando la definición de la imagen. Acentúan las diferencias de intensidad entre píxeles vecinos (Olaya, 2014: 433).

Filtros de suavizado

Los filtros de suavizado (también llamados filtros de paso bajo) producen una pérdida de foco en la imagen. Esto se logramediante la reducción de las diferencias entre píxeles contiguos (por ejemplo, utilizando un filtro de media (imagen 121). El núcleo de este filtro puede expresarse de la siguiente forma:

El efecto del filtro de mediaN aplicado sobre una capa de elevación, “redondeaba” el relieve (Olaya, 2014: 434). Al ser aplicado sobre una imagen le infiere un aspecto borroso. La cantidad de suavizado puede ser controlada mediante el tamaño de la ventana. Otra forma de modificar el efecto del suavizado, limitándolo, es otorgando más peso al píxel central (imagen 123). Para ello, es posible utilizar un núcleo como el que se muestra a continuación (122):

La aplicación de un filtro puede, también, eliminar el ruido de una imagen. Un tipo de ruido habitual es el conocido como sal y pimienta, que resulta, con frecuencia, al segmentar imágenes. La imagen de salida contiene únicamente valores 1 (representados en blanco) y 0 (representados en negro).“Es normal que en la segmentación aparezcan píxeles con uno de dichos valores, rodeados por píxeles del otro, es decir píxeles completamente aislados. Esto da la sensación de una imagen sobre la que se han 'esparcido' píxeles blancos (sal) sobre la parte negra, o negros (pimienta) sobre la parte blanca” (imagen 124) (Olaya, 2014: 435).

Filtros de realce

Los filtros de realce, al contrario de los anteriores, tienen la característica de acentuar las diferencias entre píxeles adyacentes, logrando un efecto de enfoque. Por tanto, la definición aumenta (imagen 125).

Filtros de detección de bordes

Los filtros de detección de bordes posibilitan la localización de las zonas donde se producen transiciones bruscas de intensidad.

Existen filtros de detección de bordes que tienen su base en “el análisis de las segundas derivadas de la función que los niveles digitales definen y la detección de puntos donde esta se anula” (filtro laplaciano) (imagen 126). Otros filtros se basan en “el estudio del gradiente (la primera derivada) de forma que se realcen las zonas en las que existan variaciones notables entre las intensidades de píxeles contiguos” (filtros de Sobel) (imagen 127) (Olaya, 2014: 438).

Fusión de imágenes

La fusión de imágenes se refiere a los distintos procesos que permiten integrar información procedente de distintas fuentes de datos en una sola imagen. Esta imagen final facilita la interpretación y análisis de la información de base al contener las características más destacables de todas las imágenes originales. Por ejemplo, a través de la fusión pueden generarse imágenes sintéticas que sean capaces de combinar imágenes de alta resolución espacial con otras de alta resolución espectral, con la intención de que presenten alta resolución en ambos componentes. Unir estas mediante un proceso de fusión es una forma de obtener imágenes de mejor calidad. “El uso combinado de imágenes pancromáticas e imágenes multiespectrales como las del satélite Landsat es una práctica habitual a la hora de aplicar este método de fusión” (Olaya, 2014: 440).

Se utilizan, principalmente, tres métodos: a) transformación IHS; b) por componentes principales; y c) Brovey.

Transformación IHS

El formato IHSN (imagen 128) es el que más se asemeja a cómo percibimos los distintos colores, y se basa en los siguientes componentes: a) intensidad (I), expresa el brillo del color; b) tono (H), indica la longitud de onda predominante de dicho color; c) saturación (S), muestra la “pureza” del color. Valores altos indican una alta presencia de blanco (Mather y Koch, 1999).

Transformación por componentes principales

El método de análisis de componentes principales convierte un conjunto de capas (o bandas) intercorrelacionadas en un nuevo conjunto con un menor número de capas y menos correlacionadas. Es decir, “sustituye las variables originales por otras entre las que no existe correlación, cada una de las cuales explica un porcentaje concreto de la varianza global” (Olaya, 2014: 442). Uno de los procesos más habituales es la transformación de Brovey, aunque su procedimiento es distinto a los anteriores: opera banda a banda, aumentando la resolución de estas de forma individual, de modo que combinando las bandas resultantes se obtiene la imagen sintética buscada (Olaya, 2014: 442).

La elaboración de una serie de clases relativas a litología, tipos de vegetación, usos del suelo, etc., sobre el área de estudio es uno de los objetivos fundamentales en teledetección. La clasificación de imágenes necesitará de la interpretación asistida por computadora de las imágenes obtenidas a través de sensores remotos. Aunque algunos procedimientos pueden incorporar información sobre características de imagen –tales como textura y contexto–, en la mayoría de los casos la clasificación de imágenes se basa únicamente en la detección de firmas espectralesN (es decir, patrones de respuesta espectral) de las clases de la cobertura terrestre. El resultado de esto va a depender de dos cosas: a) la presencia de firmas distintivas para las clases de cobertura de la tierra en el conjunto de bandas que se está utilizando; y b) la capacidad de distinguir de forma confiable estas firmas de otros patrones de respuesta espectral que puedan estar presentes (Alonso, 2006; Chuvieco, 1995).

Una vez que se han aplicado todo tipo de correcciones (radiométricas y geométricas) sobre los datos, pueden utilizarse dos métodos diferentes (aunque complementarios) para elaborar una clasificación (generación de clases): la clasificación supervisada y la clasificación no supervisada. En el caso de la supervisada, se parte de una serie de clases previamente definidas y se obtienen sus signaturas espectrales. Generalmente, el sistema de software delimita los tipos específicos de cobertura terrestre basados en datos de caracterización estadística extraídos de ejemplos conocidos en la imagen. En la clasificación no supervisada, no se establece ninguna clase a priori, aunque es necesario determinar el número de clases que se quiere generar, y permitir que las defina un procedimiento automático. El software utilizará un agrupación en clústeres (un algoritmo de clasificación automática multivariante) para identificar los tipos de cubiertas terrestres más comunes, y el analista se encargará de proporcionar interpretaciones de esos tipos de coberturas en una etapa posterior (Alonso, 2006; Chuvieco, 1995).

Clasificación supervisada

El proceso de clasificación supervisada conlleva las siguientes etapas: a) un análisis de componentes principales para sintetizar la información contenida en las bandas e incluso eliminar alguna del análisis. b) La generación de clases y signaturas espectrales características donde se realiza una clasificación no supervisada en la que se utilizan algoritmos matemáticos de clasificacón automática (algoritmos de clustering, principalmente, que fracciona el espacio de las variables en una serie de regiones minimizando la varianza interna de los píxeles de cada región; de esta forma, cada región va a definir una clase espectral). Asimismo, se seleccionan áreas de entrenamiento para clasificación supervisada, áreas de las que se conoce a priori la clase a la que pertenecen y que se utilizarán para crear una signatura espectral propia de cada una de ellas (clases informacionales). Seguidamente, se comparan las signaturas espectrales características de las clases informacionales con las clases espectrales. Aquí se determinarán las clases con las que se trabajará (es preferible trabajar con clases espectrales que con clases informacionales). c) La clasificación en sí misma a través de diferentes métodos: no estadísticos (mínima distancia), estadísticos clásicos (máxima probabilidad), algoritmos basados en inteligencia artificial (lógica borrosa). d) Finalmente, se lleva a cabo una evaluación de la precisión de la clasificación realizada (imagen 129) (Alonso, 2006).

Clasificación no supervisada

En contraste con la clasificación supervisada, donde informamos al sistema sobre el carácter (la firma) de las clases de información que estamos buscando, la clasificación no supervisada no requiere información anticipada sobre las clases de interés, sino que examina los datos y los divide en los grupos espectrales o en las agrupaciones más presentes en los datos. Es necesario, posteriormente, identificar estos grupos como clases de cobertura terrestre a través de una combinación de familiaridad con la región y visitas a campo.

Operativamente, se utilizan algoritmos de clasificación automática multivariante como el clustering. Este consta de N pasos, siendo N el número total de individuos a clasificar. En cada uno de los pasos se van a identificar los dos individuos más próximos, se crea una clase con ellos y se sustituyen por el centroide de la clase resultante. Así, cada paso analiza un individuo menos que el anterior, ya que los individuos son sustituidos por clases. El proceso finaliza cuando se ha alcanzado un número de clases igual al número de clases que se estableció a priori (imagen 130) (Alonso, 2006).

El resultado final de un proceso de clustering suele ser un dendrograma (imagen 131) que muestra cómo los diversos individuos se agrupan en clases (en primer lugar, los que están a una menor distancia, los más parecidos) y cómo, después, las clases se unen entre sí. A partir de un dendrograma es posible escoger el número de clases que se van a mantener. Por ejemplo, en la imagen se observan claramente tres grupos identificados. Cuando este proceso se utiliza en teledetección se clasifican todos los píxeles; no es muy práctica la salida de la información a través de un dendrograma, en su caso, la información sale mediante un mapa en el que los píxeles surgen adjudicados a las diferentes clases (por ello es imprescindible elegir a priori el número de clases) (Alonso, 2006).

Una etapa fundamental en el proceso de clasificación no supervisada, al igual que en la supervisada, es la evaluación de la precisión de las imágenes finales producidas.

El procesamiento digital de imágenes ofrece una gama ilimitada de posibles transformaciones sobre los datos obtenidos de forma remota. En este apartado nos centraremos en dos procesos: los índices de vegetación y el análisis de componentes principales, debido a su importancia y su aplicación habitual en múltiples campos (medioambiente, usos del suelo, etc.).

Índices de vegetación

La vegetación es uno de los elementos de la superficie terrestre del que más se ha ocupado el análisis de imágenes. Uno de los principales parámetros utilizados para recoger información sobre esta cobertura son los denominados índices de vegetación. Estos índices permiten identificar la vegetación (y su actividad) en una zona concreta a través de sus valores (que están en relación con dicha actividad). Son usados para acentuar en la imagen las áreas con vegetación a través de la combinación de diferentes bandas de una imagen multiespectral. Una de estas combinaciones se corresponde con la relación de la banda del infrarrojo cercano y la banda roja. A esta relación se la conoce como Índice de Vegetación Proporcional (RVI) (Chuvieco, 1995). Se calcula mediante:

RVI = NIR / Rojo

Las plantas absorben radiación en las regiones visibles del espectro –en concreto en la región del rojo– para obtener energía y realizar la fotosíntesis mientras reflejan radiaciones de menor frecuencia como las del infrarrojo, por no resultar útiles para la actividad fotosintética. En teledetección, esto se traduce como altos valores de reflectancia en las bandas de imágenes de satélite correspondientes a la zona del infrarrojo y, por el contrario, valores muy bajos en la banda del rojo en caso de que exista vegetación. Este es el fundamento de los índices de vegetación para localizarla sobre la superficie terrestre.

En la imagen 135 puede observarse el uso del falso color, utilizando el color rojo para las bandas del infrarrojo cercano, y el color verde para los canales del rojo, verde y azul respectivamente (modelo RGB). Como resultado, las zonas con cultivos de alto vigor vegetativo aparecen con un tono rojo intenso que permite su rápida identificación (Olaya, 2014).

Hay que tener en cuenta que, según el tipo de sensor, las bandas del rojo y del infrarrojo cercano variarán (por ejemplo, en el sensor Landsat, la banda del rojo es la 3 y la del infrarrojo cercano es la 4). Con base en los valores de las bandas (rojo e infrarrojo cercano) se pueden distinguir dos grupos de índices: a) formulaciones que emplean únicamente las bandas del rojo y el infrarrojo cercano (índices basados en distancia, o intrínsecos); y b) formulaciones que también utilizan los parámetros de la denominada línea del sueloN (índices basados en pendiente) (Gilabert, González-Piqueras y García-Haro, 1997).

El índice de vegetación más utilizado es el NDVI (diferencia normalizada entre la reflectividad de la banda infrarroja y la roja) (imagen 136). Es un índice de cálculo sencillo (basado en la distancia), que dispone de un rango de variación fijo (entre –1 y +1), posibilitando establecer umbrales y comparar imágenes, entre otros. Se expresa de la siguiente forma:

\[ NDVI = \frac{IR \ – R}{IR + R} \]

R e IR son las reflectancias correspondientes al rojo e infrarrojo, respectivamente.

Asimismo, el NDVI puede emplearse para conocer otros parámetros relativos a la vegetación.

A pesar de su sencillez, el NDVI es sensible a la reflectividad del suelo sobre el que se sitúa la vegetación. Por ejemplo, en una zona con baja densidad de vegetación, la reflectividad que le correspondería a un píxel en la banda infrarroja (IRC) y en la banda roja (R) vendrían determinados, en su mayor parte, por el suelo, con una leve variación debida por la vegetación. Como consecuencia, un índice de vegetación (IV) de esa zona mostraría resultados muy parecidos a los del suelo desnudo imposibilitando la detección de vegetación (es un problema grave cuando la cubierta vegetal es menor del 50%). Para resolverlo se han desarrollado una serie de índices de vegetación que consideran la reflectividad del suelo a través de la separación de la información, por un lado, de la vegetación y, por otro, del suelo que está bajo ella. Uno de los IV más utilizado que tiene en cuenta el substrato es el Índice de Vegetación Perpendicular (PVI) (índice basado en pendiente) de Richardson y Wiegand (1977) (Sánchez Rodríguez et al., 2000: 166-167).

El cálculo del PVI no presenta demasiada dificultad tras conocer la ecuación correspondiente a la línea del suelo, de la forma IRCsuelo = a Rsuelo + b, ya que basta con aplicar la fórmula:

PVI = a IRC – R + b / (a2 + 1) ½

La línea del suelo se calcula a partir de la reflectividad en el rojo y el infrarrojo cercano de una serie de píxeles de suelo desnudo localizados en la imagen, por análisis de regresión en el que la banda roja se toma como variable independiente y la banda infrarroja como variable dependiente. El fundamento en el que reside el uso de la línea de suelo y su incorporación a los índices de vegetación puede comprenderse analizando la imagen 137. Los puntos de la gráfica (imagen 137) corresponden a los valores en las bandas del rojo y el infrarrojo cercano para los píxeles sobre zonas de suelo desnudo. A estos se ajusta la recta r mostrada. Los puntos que se sitúan sobre la recta (punto X) se asocian al suelo desnudo; por el contrario, los que se sitúan lejos de ella indican mayor vegetación, cuanto mayor sea la distancia de alejamiento (punto X’) (Olaya, 2014; Sánchez Rodríguez et al., 2000).

Análisis de componentes principales

El análisis de componentes principales (ACPN) es otra técnica estadística de gran interés en la transformación de las imágenes.

Mediante el ACP se trata de disminuir la dimensionalidad de un conjunto de variables reduciéndolo a uno más pequeño para evitar la pérdida de información. Su objetivo es el de «resumir» la información que contienen las variables eliminando partes redundantes o superfluas, pero sin eliminar información relevante. Esta trasformación es útil para reducir el volumen de datos y facilitar las operaciones de análisis, interpretación y manejo de las variables (Olaya, 2014).

En el caso de imágenes con elevado número de bandas (multiespectrales e hiperespectrales), la representación de estas no puede hacerse empleando todas las bandas, sino que deben prepararse composiciones, como máximo, de tres bandas. Utilizar un ACP va a permitir reducir las bandas a un conjunto de tres con la máxima información posible, método mucho más adecuado que escoger tres de forma aleatoria (con la pérdida de información que esto conlleva).

De este modo, para el usuario final de productos de teledetección, el objetivo del ACP es generar una o varias imágenes que aumenten la posibilidad de diferenciar distintas coberturas en la superficie terrestre. Por ello, es preferible usar, en lugar de algunas bandas de la imagen aleatoria, los componentes principales 1, 2 y 3 en la secuencia RGB respectivamente. Por otro lado, esta técnica incrementa la eficiencia en las operaciones de las clasificaciones previas porque reduce la dimensionalidad de los datos. Complementariamente, desde el punto de vista estadístico, el ACP facilita una primera interpretación sobre los ejes de variabilidad de la imagen que permitirá identificar tanto los rasgos comunes en las bandas como los que son específicos de algún grupo de ellas (Olaya, 2014).

El planteamiento conceptual de la transformación señala que un conjunto de n variables definen un espacio vectorial n–dimensional, de manera que las características de un elemento determinado (en caso de una capa ráster será una celda dada) se expresen a través de un vector de n elementos de la forma (x₁,x₂,...,x_n).

De este modo, en la nueva base, la mayor parte de la información va a estar en la dirección del primer vector e irá decreciendo paulatinamente a medida que se vayan tomando los sucesivos vectores de la base.

Es necesario señalar que las variables resultantes no pueden utilizarse como las originales al carecer de sentido físico. Asimismo, los vectores finales pueden aportar información útil para determinados análisis. La información que se sitúa sobre los ejes principales va a definir la información que aparece en todas las variables utilizadas; no obstante, la información restante aparecerá solo en alguna de ellas. Esto resulta útil, por ejemplo, para el estudio de los cambios producidos diacrónicamente.

Para realizar el cálculo de la matriz del cambio de base que define la transformación, se puede partir de la matriz de covarianzas C o bien de la matriz de correlación ρ, en la que los elementos son los coeficientes de correlación de Pearson:

Donde ρ_ij se calcula de acuerdo con:

\[ \rho_{ij} = \sigma_{ij} / \sigma_{ii} \sigma_{jj} \]

Esta matriz se utiliza en lugar de la matriz de covarianzas cuando las unidades en las que se miden las variables no tienen relación entre sí, y es imposible compararlas. Tras obtener la matriz es necesario obtener sus autovalores y autovectores. Los autovectores son los vectores de la nueva base, y sus autovalores asociados se utilizan para establecer el orden en que tienen de considerarse. De este modo, el mayor autovalor se asocia al vector en la dirección de la máxima variabilidad. De igual manera, el de mínimo valor se asocia al vector en la dirección de mínima variabilidad (Olaya, 2014: 568).

Otras transformaciones

Como se señalaba con anterioridad, las diferentes aplicaciones informáticas ofrecen una amplia variedad de posibles transformaciones. Estas incluyen transformaciones del espacio de color, los cálculos de textura, las transformaciones térmicas del cuerpo negro y un gran abanico de transformaciones ad hoc que se pueden realizar de forma rápida y efectiva.