Universidad Distrital Francisco José de Caldas

Facultad de ingeniería
Ingeniería Catastral y Geodesia
Paula Andrea Amado Triana
Cod: 20172025083

Taller No. 5 Unidad 5 PDI

1) ¿Cuáles son los métodos más utilizados para realzar una imagen?

Los métodos de realce de imágenes son fundamentales en el procesamiento digital, ya que

permiten mejorar la calidad visual y la interpretabilidad de las imágenes. Entre los más
utilizados se encuentran la mejora de contraste, la filtración espacial y la transformación de
Fourier. Según Jensen (2005), "los métodos de mejora de imágenes pueden ser clasificados en
técnicas de mejora de contraste y técnicas de filtrado" (p. 255). Sobre los métodos usados, nos
indica Valencia-Murillo, J. F., Poveda-Sendales, D. A., & Valencia-Vargas, D. F. (2014), en el
realce de imagen los más relevantes también son: la expansión lineal de contraste, la
ecualización de histograma y la expansión parcial de contraste como arreglos globales. También
se encuentran los arreglos locales los cuales consisten en suavizados y agudización de una
imagen. (p.36)
Estas técnicas permiten a los analistas de imágenes resaltar características importantes
facilitando su análisis. Además, la mejora del contraste es crucial en diversas aplicaciones. Por
ejemplo, el uso de ecualización de histograma es común para redistribuir los niveles de brillo en
una imagen, lo que permite que las áreas de interés sean más visibles (Gilabert, M. A.,
González-Piqueras, J., & García-Haro, J, 1997, p. 12). Estos métodos son especialmente útiles
cuando las imágenes originales presentan problemas de iluminación o contraste insuficiente.
2) ¿Cómo se realizan esos realces?
Los realces de imágenes se llevan a cabo mediante una serie de algoritmos que ajustan los
valores de intensidad de los píxeles en función de criterios predefinidos. Una de las técnicas
más comunes es la ecualización del histograma, el cual redistribuye los niveles de brillo en la
imagen. "La ecualización del histograma mejora el contraste al utilizar toda la gama de
intensidades disponibles" (Gilabert, M. A., González-Piqueras, J., & García-Haro, J, 1997, p.
12). Esta técnica permite que las características importantes sean más discernibles, lo que es
esencial en aplicaciones de análisis de imágenes.
Otro método común es la aplicación de filtros, que pueden ser de paso bajo o paso alto. Los
filtros de paso bajo eliminan el ruido de alta frecuencia, mientras que los filtros de paso alto
resaltan los bordes y detalles de la imagen (Gilabert, M. A., González-Piqueras, J., & García-
Haro, J, 1997, p. 15).
3) ¿Qué son realces de contraste?
Los realces de contraste son técnicas específicas diseñadas para aumentar la diferencia entre las
áreas claras y oscuras de una imagen. Esta mejora es esencial para destacar características
específicas que podrían no ser visibles en la imagen original. Jensen (2005) resalta que "la
mejora del contraste es esencial para resaltar características específicas en imágenes digitales"
(p. 266). Al aumentar el contraste, se facilita el reconocimiento de patrones y elementos
importantes dentro de la imagen.
La mejora de contraste se puede lograr a través de diversas técnicas, como la ecualización del
histograma y el ajuste de niveles. Estas técnicas no solo mejoran la visualización, sino que
también son fundamentales en la teledetección, donde la identificación precisa de características
es crucial para la toma de decisiones ambientales y de planificación (Gilabert, M. A., González-
Piqueras, J., & García-Haro, J, 1997, p. 22).
4) ¿Cuáles son los filtros especiales?
Los filtros especiales son herramientas utilizadas en el procesamiento de imágenes para mejorar
o modificar las características visuales de las mismas. Los filtros de paso bajo, por ejemplo, son
efectivos para eliminar el ruido de alta frecuencia y suavizar la imagen, mientras que los filtros
de paso alto se utilizan para resaltar bordes y detalles. Según Gilabert, M. A., González-
Piqueras, J., & García-Haro, J,( 1997), "los filtros de paso bajo eliminan ruido de alta
frecuencia, mientras que los filtros de paso alto resaltan bordes y detalles" (p. 15). Además de
estos, existen filtros medianos y de suavizado que son utilizados para reducir el ruido sin perder
demasiada información de la imagen. (Aldalur & Santamaría, 2002, p. 31).
5) ¿Cómo se realiza el análisis de componentes principales?
El análisis de componentes principales (PCA) es una técnica estadística utilizada para reducir la
dimensionalidad de un conjunto de datos, transformando variables correlacionadas en un
conjunto de variables no correlacionadas. Este proceso implica calcular la matriz de covarianza
de los datos originales y luego descomponerla en sus vectores y valores propios. Como se indica
en Jensen (2005), "PCA se basa en la descomposición de la matriz de covarianza de datos
originales para identificar las direcciones de máxima varianza" (p. 431).
Este análisis permite a los investigadores identificar y enfatizar las características más
significativas de un conjunto de datos, lo que resulta en una representación simplificada que
conserva la mayor parte de la información original. En el contexto de imágenes, esto se traduce
en la capacidad de seleccionar las características más relevantes para el análisis posterior,
mejorando así la eficiencia del procesamiento (Gilabert, M. A., González-Piqueras, J., &
García-Haro, J, 1997, p. 22).
6) ¿Cómo se realiza la expansión lineal de los componentes obtenidos en el análisis de
componentes principales?
La expansión lineal de los componentes obtenidos en el análisis de componentes principales se
logra multiplicando cada componente principal por sus coeficientes correspondientes. Este
proceso permite reconstruir la imagen original a partir de los componentes seleccionados, lo que
enfatiza ciertas características de interés. "Este proceso permite reconstruir la imagen original a
partir de los componentes seleccionados, enfatizando ciertas características" (Gilabert, M. A.,
González-Piqueras, J., & García-Haro, J, 1997p. 22).
La expansión lineal es crucial para la visualización de datos y el análisis de imágenes, ya que
permite a los investigadores observar cómo las variaciones en los datos originales se traducen
en cambios en las imágenes procesadas. Esto es especialmente útil ya que nos permite la
precisión que es fundamental (Jensen, 2005, p. 431).
7) ¿Cuáles son los índices de vegetación?
Los índices de vegetación son herramientas utilizadas para evaluar la salud y el estado de la
vegetación mediante el análisis de la reflectancia en diferentes longitudes de onda. Uno de los
índices más conocidos es el NDVI (Índice de Vegetación de Diferencia Normalizada), que se
calcula comparando la reflectancia en las bandas del infrarrojo cercano y el rojo. En el
documento sobre índices de vegetación se menciona que "el NDVI se calcula a partir de la
reflectancia en bandas específicas, permitiendo el monitoreo de cambios en la cobertura
terrestre" (Gilabert, M. A., González-Piqueras, J., & García-Haro, J, 1997, p. 5). Adicional a
esto, el estudio recientemente referenciado nos indica otros índices a explorar:
 Imagen 1: Índices y sus respectivas ecuaciones y fuentes

Fuente: Gilabert, M. A., González-Piqueras, J., & García-Haro, J. (1997). Acerca de los índices de vegetación. Revista de
Teledetección, 8, Diciembre, 1-10. Departament de Teledetecciómica, Facultat de Física, Universitat de Valencia, Dr. Moliner, 50,
46100 Burjassot, Valencia. p.4.

I. Índice de Diferencia Normalizada (NDVI)

El NDVI es uno de los índices más utilizados para detectar la presencia de vegetación. Se
calcula utilizando la siguiente fórmula:

Donde: NIR = Reflectancia en el infrarrojo cercano. R = Reflectancia en el rojo.

Este índice minimiza efectos topográficos y permite evaluar la presencia de vegetación, donde
valores cercanos a 1 indican una vegetación densa, y valores cercanos a -1 indican ausencia de
vegetación.
II. Índice de Vegetación Transformado (TVI)
El TVI se utiliza para corregir valores que se aproximan a una distribución normal.

Donde la raíz cuadrada intenta corregir valores negativos, haciendo que la interpretación sea
más fácil.

III. Índice de Vegetación de Cuerpo de Agua (CTVI)

Transformando el rango, se asegura que no se cambie el signo con la anterior. Sirve para
detectar el sobresaturamiento de verde.

IV. Índice de Vegetación Normalizado (NRVI)

El NRVI se calcula de la siguiente manera:

El resultado del NRVI es normalizado, eliminando efectos topográficos, iluminaciones y

reflectancias del suelo, permitiendo una interpretación más precisa.
V. Índice de Vegetación Ajustado del Suelo (SAVI)
El SAVI es un índice que incorpora una constante del suelo, ajustándose a diferentes tipos de
vegetación y considerando la influencia de la luz y del suelo oscuro en el índice:

Donde L es un factor de ajuste (normalmente 0.5) que depende de la densidad de la vegetación.

VI. DVI (Diferencia de Vegetación)

El DVI se calcula como:

Donde: MSS7 = Reflectancia en la banda infrarroja cercana. MSS5 = Reflectancia en la banda
roja.
VII. Pendiente de la Línea del Suelo
La pendiente de la línea del suelo es representada como:

Utilizando la influencia de la vegetación baja, intermedia o alta, se consideran las variaciones en

la reflectancia.
Estos índices son ampliamente utilizados en investigaciones agrícolas, estudios de cambio
climático y gestión de recursos naturales, donde la salud de la vegetación es un indicador clave
(Aldalur & Santamaría, 2002, p. 31).

PRACTICA #5: Filtros, NDVI, verdor y asignación de color.

Para esta practica se decidió usar una nueva imagen satelital referente al municipio de Riosucio,
Caldas, en las que se presencian en una gran escala los 3 ríos que rodean el municipio y el casco
urbano. La imagen se proceso en ERDAS y Qgis.
 Imagen 2: Imagen original recortada verdadero color de la zona elegida. Elaboración propia.

Filtro paso bajo (Low Pass) y paso alto (High Pass)

Los filtros de paso bajo y alto son herramientas esenciales en el procesamiento de imágenes. El
filtro de paso bajo tiene como objetivo suavizar la imagen, eliminando el ruido y rescatando la
información de baja frecuencia. Es útil para reducir variabilidad no deseada, como la asociada a
diferentes tipos de cubierta terrestre, uniformizando la respuesta de la imagen. Por el contrario,
el filtro de paso alto resalta las zonas de mayor variabilidad, eliminando la componente media
detectada por los filtros de paso bajo. Este filtro también ayuda a reducir la "contaminación" de
los píxeles vecinos, mejorando la precisión en la detección de detalles finos al eliminar la
dispersión de la radiación reflejada.

Para el uso de estos filtros en el software Erdas, se cargó la imagen multiespectral previamente
combinada y recortada para realizar la aplicación de los filtros que se encuentran
predeterminados automáticamente. Para ello se efectuaron los siguientes pasos:

Imagen 3: Paso 1, Pestaña multiespectral y selección opción

“Filtering”. Elaboración propia

Se seleccionó filtro de convolución y ello permitió la previsualización de la imagen con dichos

filtros:
 Imagen 4: Previsualización filtros Low pass y High pass. Elaboración propia.

Para obtener como resultado final las siguientes imágenes:

Imagen 5: filtros Low pass (Izquierda) y High pass (Derecha). Elaboración propia.

Aquí se contrastan ambos filtros a grandes rasgos, el primero evidencia un suavizamiento de la

imagen procesada al punto que mantiene uniforme las cubierdas vegetales; el segundo eleva el
contraste de los diferentes elementos de la imagen puntualizando en objetos (drenajes) que
cobran protagonismo, redujo la contaminación y mejoró la nitidez.
 NDVI ERDAS

En este siguiente paso se procesó la imagen seleccionada utilizando el NDVI (Índice de

Vegetación de Diferencia Normalizada), para ello la procesamos inicialmente en ERDAS que
tiene una función automatizada para ello, accedemos de la siguiente manera:

Imagen 6: Acceso al filtro NDVI Elaboración propia.

Ello nos arrojará el siguiente recuadro, el cual realiza la fórmula proporcionada para hallar los
valores de este filtro. Se hace el proceso para editar la imagen con los valores adecuados,
utilizando principalmente banda 4 y 5 para realizar los cálculos determinantes.

Imagen 7: NDVI Elaboración propia.

El contraste con la imagen original y la foto con el filtro se ven a continuación:

 Imagen 8: Imagen original izquierda, imagen con filtro NDVI monocromático. Elaboración propia.

A continuación, se usaron los filtros de verdor en Qgis para identificar zonas con mayor o
menor vegetación, así mismo identificar zonas que no lo poseen.

Imagen 9: Izquierda gradiante de verdes y naranjas, Derecha solo verdes. NDVI Elaboración propia.

En la primera imagen podemos resaltar de mejor manera dónde se encuentra mayor vegetación
(verdes oscuros) y las zonas que no la presentan (naranjas) siendo éstas precisamente los casos
urbanos del municipio.

REFERENCIAS:

 Aldalur, B., & Santamaría, M. (2002). Realce de imágenes: Filtrado espacial. Revista de
Teledetección, 17, 31-42. Universidad Nacional del Sur, Bahía Blanca, Argentina.
 Jensen, J. R. (2005). Electromagnetic radiation principles and radiometric correction. En
Introductory digital image processing: A remote sensing perspective (3rd ed., pp. 175-222).
Prentice Hall.
 Gilabert, M. A., González-Piqueras, J., & García-Haro, J. (1997). Acerca de los índices de
vegetación. Revista de Teledetección, 8, Diciembre, 1-?. Departament de Teledetecciómica,
Facultat de Física, Universitat de Valencia, Dr. Moliner, 50, 46100 Burjassot, Valencia.
 Valencia-Murillo, J. F., Poveda-Sendales, D. A., & Valencia-Vargas, D. F. (2014).
Evaluación del impacto del preprocesamiento de imágenes en la segmentación del iris.
Tecno Lógicas, 17(33), 31-41.