Tema III Practico

Tratamiento digital de imágenes en el espectro óptico.
Tema III:
Realces y mejoras visuales de la imagen
Índice:
III.1. Ajuste del contraste.
a) Necesidad del ajuste.
b) Métodos de expansión del contraste: lineal, lineal por
percentiles y ecualización del histograma.
III.2. Composiciones en color.
III.3. Transformación IHS.
III.4. Filtros: espaciales (de paso bajo y alto), de
frecuencia y para operaciones matemáticas.
III.1. Ajuste del contraste.
a) Necesidad del ajuste. Definición de CONTRASTE:
Los procesos de ajuste del contraste tienden
a adaptar la resolución radiométrica de la
imagen a la capacidad del monitor de
visualización.
Dos casos:
1. Rango de ND< Rango de NV Técnicas de EXPANSIÓN del contraste.
2. Rango de ND> Rango de NV Técnicas de COMPRESIÓN del contraste
Se emplean las tablas de

referencia de color (CLUT,
Color Look Up Table): matriz
numérica que indica el nivel
visual (NV) con el que se
representa en pantalla cada
uno de los ND de la imagen
Columnas iguales=paleta de grises
Cuando las columnas de los NV de los tres colores elementales son
distintas, se habla del seudo-color, aplicado a una sola banda. Su
principal aplicación, sin embargo, es para imágenes clasificadas.
Ejemplo de CLUT para una imagen clasificada

b) Métodos de Expansión del contraste:
Cuando el Rango de ND< Rango de NV La imagen aparece poco

contrastada, ya que parte de los 256 niveles de gris permitidos quedan inactivos.
Para realzar el contraste se ha diseñar una CLUT que haga corresponder el Rango de
ND con el NV.
Métodos:
1) Expansión lineal: Distribuyendo los NV linealmente, entre el ND mínimo y
máximo de la imagen.
2) Expansión lineal por percentiles: Modificación del anterior, eligiendo el ND mínino
y ND máximo en función de percentiles (p.ej., 3%) y no teniendo en cuenta entonces
el 3% de los píxeles de los extremos del histograma en la visualización. Otra elección
del rango puede ser en función de cierto número de desviaciones típicas respecto a la media.
3) Ecualización del histograma: Distribuyendo los NV a partir del histograma.
Caso especial: Expansión especial: Distribuyendo los NV en un determinado
rango de interés (de forma lineal, por ejemplo)
1. Expansión lineal usando el ND mínimo y el ND máximo de la imagen:
Basta diseñar una CLUT en la que el ND mínimo y ND máximo de la imagen
tengan asociados un NV de 0 y 255, respectivamente, distribuyendo linealmente
el resto entre ambos márgenes.
sesgo
ganancia
Lineal
Lineal por
percentiles
2. Expansión lineal por percentiles: usa el ND mínimo y el ND máximo que

cumpla el percentil elegido.
Expansión especial: usa el ND mín y el ND máx acorde con el rango de una cubierta.
Muestra de CLUT de expansión lineal con el ND mín (29) y ND máx (96) de la imagen:
3. Ecualización del histograma:
Tiene en cuenta el histograma de la imagen, es decir, su frecuencia, y no
sólo sus extremos. Aquellos ND con mayor frecuencia serán los que,
proporcionalmetne, ocupen un mayor rango de NV en el monitor.
Ofrece buenos resultados en distribuciones gaussianas.

El perfil gráfico de la CLUT se asemeja bastante al del histograma
acumulado de los ND originales.
El cálculo pasa por igualar el
histograma de los NV con
el de los ND:
1. Calcular la frecuencia relativa
acumulada.
2. Ésta se compara con la
frecuencia objeto relativa
acumulada: la que se
obtendría si todos los ND de la
imagen tuviesen la misma
frecuencia=n/256; en
frecuencia relativa, cada ND
debería representar el
(1/256)x100=0.3906% de los
píxeles de la imagen.
3. De la comparación se deduce
el NV para cada ND: para ND
original, el NV será el que
presente un valor más
próximo en la frecuencia Ejemplo cada ND=5; frecuencia objeto x 5= 1.953
objeto acumulada.
Ejemplo
cada ND=1 :
...
III.2. Composiciones en color
Una composición en color se hace sobre 3 bandas y se obtiene al
aplicar cada uno de los colores básicos (azul, verde, rojo) a una banda
distinta. RGB=bi-bj-bk
Con ello podemos visualizar al mismo tiempo el comportamiento espectral
diferente de las distintas cubiertas en las 3 bandas ( diferentes colores).
La CLUT tiene 3 columnas, una para cada banda y color, con distintos valores,
obtenidos al aplicar antes una expansión del contraste sobre cada banda.
RGB=321 Color real RGB=457
RGB=432  Falso color, etc

Los sensores con varias bandas tienen muchas posibilidades de combinar 3 de ellas
(p.ej., el TM, con 7 bandas, permite 35 composiciones).
Para seleccionar la composición que recoja mejor la estructura del conjunto
de la imagen, se toman las 3 bandas que tengan mayor varianza (o desviación típica
 mayor contraste) y las que menos estén relacionadas entre sí, para que la
información no sea redundante, definiendo el llamado ÍNDICE ÓPTIMO, OIF
(Optimum Index Factor):
donde sk es la desviación típica de cada
banda de la composición y rj el coeficiente
de correlación entre cada dos de esas
bandas.
Para las imágenes TM el OIF normalmente selecciona una banda en el visible (1,2,3),
una banda en el NIR (4) y otra en el SWIR (5 y 7), identificando así los tres ejes
principales de variación en estas imágenes (excluido el TIR).
por ejemplo: RGB=451, etc

III.3. Transformación IHS
Una alternativa a las composiciones anteriores, basadas en los colores
primarios, es representar el color basándose no en sus componentes, sino
en sus propiedades.
Es la transformación IHS (Intensity,Hue, Saturation)= Intensidad,Tono, Saturación.
Transformación RGB → IHS

El tono procede de la  donde se
produce la máxima reflectividad
del objeto: equivale al color que
aprecian nuestros ojos.
La saturación se refiere a la
pureza de dicho color, a su grado
de mezcla con los colores
vecinos.
La intensidad se identifica con el
brillo, en función del porcentaje
de luz recibido.
La transformación RGB (RVA)→ IHS (ITS) se puede hacer por distintos algoritmos de
conversión, como por ejemplo:
NOTA: Al ser una

transformación también
podríamos tratarla en
el Tema IV.
III.4. FILTROS
Un filtro se aplica para aislar componentes de interés, suavizando (filtros de
paso bajo) o reforzando (filtros de paso alto) los contrastes espaciales
presentes en los ND que componen la imagen.
Dos procedimientos: Aplicar a todos los píxeles de la imagen una operación aritmética
que tenga en cuenta el ND de los vecinos inmediatos a un píxel (filtros en el
dominio espacial) o Retener ciertos componentes de las frecuencias de la imagen
(filtros en el dominio de la frecuencia, basados en transformadas de Fourier).
Veremos aquí sólo los primeros.
Hay que tener en cuenta que cualquier proceso de filtraje modifica los ND originales.
FILTROS EN EL DOMINIO ESPACIAL

Para poner un píxel en relación con sus vecinos (ya sea para homogeneizarlos, ya
para diferenciarlos) se aplica sobre los ND originales una matriz móvil de
coeficientes de filtraje (CF), llamada kernel, de tamaño variable, según los vecinos
que involucre (3x3, 5x5, 7x7, etc..).
El kernel se aplica sucesivamente a la imagen, empezando por la esquina superior
izquierda, multiplicando cada coeficiente del kernel por el ND del píxel sobre el
que se superpone y sumando el resultado de todas las multiplicaciones, valor que
se aplica al píxel central, único que cambia en cada posición. Para el siguiente cálculo
el kernel se desplaza un píxel hacia la derecha en horizontal sobre la imagen original, y así
sucesivamente. Notar que el filtro no llega a las filas y columnas de los bordesresultado=0.
Ejemplo:
Imagen original Imagen filtrada
10
Normalizar
La fórmula general para obtener el ND filtrado sería:
Normalizar
Filtros en el dominio espacial: FILTROS DE PASO BAJO
Tienen por objeto suavizar los contrastes espaciales presentes en la imagen.
Matrices habituales
También el filtro mediano: sustituir el ND del píxel central por la mediana de los
ND de los vecinos.
Filtros en el dominio espacial: FILTROS DE PASO ALTO
Tienen por objeto remarcar los contrastes espaciales entre píxeles vecinos, enfatizando
los rasgos lineales presentes en la imagen, como carreteras, parcelas o accidentes geológicos.
Matrices habituales Si es un 4=filtro

laplaciano
Otro método: restar de la imagen original la obtenida por un filtro de paso bajo,
sumando el resultado a la imagen original.
Filtros no lineales (de realce de bordes): por ejemplo, el Detector de bordes de Sobel
C= F=
Filtros direccionales:
A) Direccionales Con sentido:
NOTA: el nombre de estos filtros es consecuencia de la dirección del contraste que

señalan, y no de la dirección que están realmente realzando, que es precisamente la
perpendicular. Por ejemplo, la matriz Norte estaría reforzando líneas situadas este-oeste
(en concreto la frontera norte de esas líneas), mientras la este refuerza el borde oriental de
las líneas norte-sur.
Filtros direccionales:
B) Direccionales sin sentido:
Usados en la
 detección de
lineamientos
NOTA: el nombre de estos filtros es consecuencia de la dirección del contraste que señalan, y
no de la dirección que están realmente realzando, que es precisamente la perpendicular.
Un tipo especial de Filtros en el dominio espacial:
FILTROS PARA REALIZAR OPERACIONES MATEMÁTICAS
Algunas operaciones matemáticas sobre toda la imagen pueden expresarse por medio
de filtros, por ejemplo, la pendiente sobre un Modelo Digital de Elevaciones (MDE):
Filtro para la Filtro para la
pendiente en pendiente en
sentido O-E sentido S-N
 px  py
Pendiente de 4 vecinos
El denominador=2xResolución espacial del MDE=2x30=60 para compararlo con una imagen TM
Pendiente de 8 vecinos:
Hace una media de los
vecinos O-E o S-N 
El denominador=
3x2xResol. espacial MDE
=6x30=180 para comparación
con una TM
La pendiente total= p = p 2x + p 2y

Tema III Practico

Cargado por

Copyright:

Formatos disponibles

Tema III Practico

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema III Practico

Cargado por

Copyright:

Formatos disponibles

Tratamiento digital de imágenes en el espectro óptico.

Se emplean las tablas de

Ejemplo de CLUT para una imagen clasificada

Cuando el Rango de ND< Rango de NV La imagen aparece poco

2. Expansión lineal por percentiles: usa el ND mínimo y el ND máximo que

Ofrece buenos resultados en distribuciones gaussianas.

RGB=321 Color real RGB=457

RGB=432  Falso color, etc

por ejemplo: RGB=451, etc

Transformación RGB → IHS

NOTA: Al ser una

FILTROS EN EL DOMINIO ESPACIAL

La fórmula general para obtener el ND filtrado sería:

Matrices habituales Si es un 4=filtro

NOTA: el nombre de estos filtros es consecuencia de la dirección del contraste que

También podría gustarte