Loading

Module 1: Filtrado de imágenes y clasificación

Apuntes
Study Reminders
Support
Text Version

Filtrado espacial de imágenes

Set your study reminders

We will email you at these times to remind you to study.
  • Monday

    -

    7am

    +

    Tuesday

    -

    7am

    +

    Wednesday

    -

    7am

    +

    Thursday

    -

    7am

    +

    Friday

    -

    7am

    +

    Saturday

    -

    7am

    +

    Sunday

    -

    7am

    +

Vídeo 1

Por lo tanto, el racionamiento de banda y las técnicas de análisis de componentes principales son datos espectrales múltiples, mientras que esta técnica de filtrado espacial se puede realizar en una sola banda o en un compuesto de color también. Pero el racionamiento de banda, por supuesto, requiere un número mínimo de 2 bandas y para el análisis de componentes principales se requieren al menos 4 bandas para realizar esta. Así que empezaremos primero con la técnica de filtrado espacial y estos también se llaman una operación local básicamente el propósito principal de esta cosa después de la mejora si quieres ver más nitidez en la imagen o más suavizado en la imagen entonces vamos para esta filteringtécnicas espaciales. Así que básicamente también se llama técnicas de convolución o técnica de filtrado de convolución. 2 categorías principales de filtros son filtros espaciales son conocidos en el procesamiento de imágenes digitales de procesamiento remoto de datos de detección remota. Puede haber algunos otros filtros y el concepto de estas técnicas de filtrado han llegado a través de la ingeniería eléctrica o electrónica que usted conoce ahh para filtrar las diferentes maneras o humedades aquí es filtros espaciales que no son un filtro lineal o una hendidura. Así que estamos hablando de este filtro espacial no el filtro que se utiliza generalmente para un despeje de ruido de onda y otras cosas. 2 tipos principales uno es los filtros de paso bajo básicamente que enfatizan las tendencias espaciales regionales hacen su imagen más alisa y deenfatiza la variabilidad local. Así que siempre que usted requiere que usted quiere ver las cosas regionales en lugar de las cosas locales entonces el filtro de paso bajo es empleado y cuando queremos que usted sabe cosas locales deben ser enfatizadas entonces vamos para el filtro de paso alto. Así que estas son las 2 cosas principales están allí de en diferentes tipos de filtros en la categoría de alta pasada y uno que podemos poner como mejora de borde por lo que combina básicamente ambos filtros, pero un enfoque principalmente está en los bordes de sus características principales. Supongamos que hay carretera que desea enfatizar que el camino en una imagen o una característica lineal en una imagen de satélite puede ser características geológicas o alguna otra característica entonces para ese propósito usamos anuncio de borde. Así que localmente no se anuncian las características que desea enfatizar o mejorar y las cosas regionales. Así que como estaba mencionando que si tomo esta onda única en la figura superior A. Es la combinación de 3 agitados de diferentes amplitudes y frecuencia están allí así que si aplicamos el filtrado en la figura superior de las diferentes frecuencias esto es lo que vamos a conseguir. Así que el inferior está mostrando básicamente la combinación de 3 ondas en un total de una forma de onda. Así que por lo tanto el otro que usted sabe cuando va para un tipo de rendija o filtro lineal, pero el filtro que estamos hablando es básicamente el filtro espacial. Cómo se ve estos filtros y cómo se realiza esto en una imagen de esto vamos a estar discutiendo ahora básicamente estas son la matriz de la convolución y el ejemplo que he tomado ahora es el filtro de paso bajo. Así que lo que vamos a ver lo que aquí vemos es un ejemplo de filtro de matriz de convolución de paso bajo. Un filtro es básicamente una matriz de 2 dimensiones que puede ser de 3/3 píxeles o tal vez 5/5 píxeles o 7 o ithas para ser número impar la razón es porque para el pixel central que calculará el valor de la imagen de tha que es sometido para el filtrado en este caso el filtrado de paso bajo.
Así que si tomo un ejemplo más simple de como el segundo que está teniendo todas las células del filtro espacial filtro que estamos teniendo un valor y todos estos valores de la célula suponen que esto dice poner aquí entonces los valores de celda correspondientes se multiplicarán con cualquier valor celular en el filtro. Aquí en nuestro caso todos los valores de celda son 1 so 24 se multiplican por 1, 26 se multiplican por 1 y de igual forma y luego son totales divididos por 9. Así que lo que sucederá creará un valor promedio usando los píxeles circundantes al pixel central que es en este ejemplo que es el valor que tiene 30. Así que por lo que se suaviza la imagen y como resultado se puede ver en la parte inferior por lo que esta es la imagen de entrada que usted está viendo aquí que ha sido sometido a filtrado de paso bajo y más suavización ha ocurrido en esta imagen después de este filtrado que se da allí. Así que el único problema en el filtrado espacial es lo que pasa en los bordes porque si quiero calcular el nuevo valor de píxel a través del filtrado para este pixel de esquina o el pixel que están en los bordes entonces no puedo poner mi matriz de remo sobre 26 porque entonces alcancé al exterior de una imagen. Por lo tanto, la imagen de salida tendrá una columna de 1 fila 1 como esta en todos los límites del grosor de 1 píxel límite sin ningún valor. Así que no se calculará y que se almacenará en la imagen, así que es la única limitación que estamos teniendo para el filtrado de paso bajo o filtrado de alto paso que los bordes 1 pixel de borde de espesor si es un filtro espacial de 3 /3 píxeles. Si este filtro es de 5/5 entonces 2 filas de grosor de píxel en la parte inferior y superior en la misma en la izquierda y la derecha no será considerado o filtrado espacial. Y si voy por 7/7 entonces será 3 así que igualmente solo en los bordes estamos teniendo problema. Así que este tipo de comercio fuera del propósito aquí era suavizar la imagen para que yo pueda ver las características más regionales en lugar de que me distraiga debido a las variaciones locales o características locales. Para eso la matriz de convolución de filtro de paso bajo se puede aplicar el ejemplo aquí también dado para el pixel central como este y todos estos píxeles se han considerado mientras se calculan los valores y así es como funcionará el filtro de paso bajo. Puede haber muchos otros filtros que son los ejemplos de filtros de paso alto aquí el propósito aquí para enfatizar las características locales y destaque las características regionales por lo tanto en todos estos ejemplos que se muestran aquí A, B, C, D hasta F todos son algunos valores algunos valores de la célula de este filtro son en negativo porque el propósito principal recordar es que queremos enfatizar las características locales uno. Así que en los bordes de estos filtros a pesar de que hemos tomado el ejemplo más simple que es 3 /3 filtros ninguno de los menos algunos valores son siempre en negativo uno. Y los valores del centro como aquí 5, 5, 9 estos son valores más altos por lo que lo que pasaría cuando este filtro irá en un pixel de la celda de imagen para el cálculo nuevo pixel valor de pixel después de pixel a lo largo de esa imagen entonces lo que va a pasar debido a este alto valor en el centro que se utilizará en para enfatizar las características locales y al mismo tiempo se destaque las características regionales.
Mientras que en caso de filtro de paso bajo y sin tratamiento espacial para el pixel central y por lo tanto como no dar 8 valor o 6 valor aquí cada valor es el mismo porque el propósito aquí es deponer énfasis en las características locales que es justo lo contrario al filtro de paso alto y enfatizar las características regionales.
Así que siempre que ves una matriz de este tipo de filtro y esta matriz de convolución siempre que ves si ves algún valor negativo 1 y el valor del centro es alto puedes adivinar inmediatamente que es un filtro de paso alto. Si vamos a la deducción de borde entonces debemos saber que para qué dirección queremos enfatizar las características que es por qué hay en algunos casos como si tomo este ejemplo sólo 2 valores están teniendo menos descanso están teniendo valores positivos. Así que lo que básicamente el propósito aquí es ideando métricas basadas en los algoritmos más complejos que es ejemplo de B y C. Así que las métricas de mejora de borde resulta de añadir la deducción de borde de la imagen original por ejemplo d, e, n y f. Así que sabemos estas cosas entonces podemos enfatizar que quiero mejorar los únicos bordes no todas las características de las características locales a través de filtro de paso alto por lo que estas son la herramienta. Ahora veamos el ejemplo aquí este es el ejemplo de filtro de paso alto en el que la matriz de convolución de 11/11 pixel no 3/3 no 5/5 no 7/7 y 11 por más grande la matriz de esta convolución sería más grande el tamaño del filtro sería que abarcaría grandes valores de pixel para calcular el valor de pixel para el pixel central y por lo tanto ya que es el filtro de paso alto. Así que lo que hizo ha hecho que destaque todas las características regionales porque es un 2 filtro de tamaño relativamente muy grande 11/11. Y por lo tanto destaque las características regionales y altamente enfatizan las características locales y eso es lo que están viendo estos bordes de todas estas características que somos más o menos aburridos en la imagen original han sido enfatizan como cualquier cosa que usted puede ver muy todas las características lineales o bordes de todas las características han surgido muy claramente. Así que es la ventaja de un filtro de paso alto por más grande que la matriz de convolución para el filtrado especial es si es un paso bajo o alto pasar más el tiempo que tomaría para el procesamiento. Así que si usted está teniendo una imagen muy grande entonces el en la práctica lo que debe hacer usted debe tomar un subconjunto de la imagen y tratar de realizar usted sabe el filtrado utilizando el mismo concepto puede estar utilizando 5 /5 o 7/7 y una vez que esté seguro de que ahora quiero este filtrado para toda la imagen luego correr para porque si este es un objetivo más o menos objetivo o requiere alguna iteración hasta que encuentre la salida es adecuada para su proyecto hasta entonces usted seguirá intentando diferentes opciones. Así que lo mejor es crear un subconjunto de la imagen probar todo tipo de filtrado y una vez que se ha aresatificado entonces tomar toda la imagen y ejecutar ese filtro que es más adecuado para usted y de esa manera ahorraría mucho tiempo. De lo contrario para la imagen grande tener 11/11 la matriz de convolución tomará mucho tiempo para el procesamiento. El filtrado direccional similarmente también es posible como la mejora de bordes dondequiera que los bordes a través del filtrado de alto pase será enfatizado. Pero quiero en un particular si sé que hay características dicen que están corriendo en dirección oeste del este o en dirección norte sur. Así que quiero enfatizar esas características características lineales y para que voy a utilizar el filtrado direccional 2 ejemplos están aquí 1aa es el ejemplo de la dirección norte de la dirección que significa que las características están en el norte usted conoce dirección norte sur. Ahora si usted ve cuidadosamente esta matriz de la convolución de 3/3 usted ve que aquí estoy añadiendo más valores a mi pixel central en dirección hacia el norte y mientras que en la dirección del sur estoy teniendo valores negativos. Y lo mismo en la dirección suroeste y el mismo en la dirección sureste, aunque el valor es -1 -1 en ambas esquinas, pero el lado sur estoy teniendo 2 así que es por eso que producirá una imagen que tendrá más énfasis en la dirección hacia el norte. Y mientras que si quiero una dirección hacia el sur esta es la dirección sur oeste en caso de b entonces voy a poner los valores negativos aquí en esquinas opuestas y luego estos valores que significa las características que están teniendo orientación norte sur se enfatizan noreste suroeste.
Así que aquí se enfatizan las características de dirección suroeste del norte. Así que incluso mirando una matriz de convolución de filtro se puede entender que qué efecto va a ser en la imagen una vez que esto se utiliza para el filtrado. Así mismo y no sólo el filtro de paso bajo no sólo el filtro de paso alto puede utilizar la mejora de bordes para que a veces va para la matriz de convolución muy grande como en el ejemplo anterior 11/11 o también puede utilizar el filtrado direccional. Veamos ahora un ejemplo aquí de que esta es la imagen de entrada en el lado izquierdo y en el lado derecho está teniendo el filtrado direccional de imagen filtrada.
Así que se ha hecho el filtrado direccional y lo que se está viendo que las características que están en las direcciones del noreste del suroeste como estas han sido enfatizadas muy significativamente y mientras que no es muy fácil para cualquiera recoger esas características muy fácilmente en la imagen sin procesar o en bruto. Así que estos lo que de las diferentes direcciones significa mejorar o revelar las características lineales porque nuestro objetivo es encontrar algunas características lineales presentes en la imagen en muchas ciencias trabajo relacionado en la explosión de petróleo explosión de agua subterránea explosión mineral estas características lineales juega papel muy importante o tal vez en muchos proyectos de ingeniería civil también. Así que por lo tanto estos son requeridos así que tienes que enfatizar en una dirección y en la matriz de la convolución que tiene que estar en la dirección opuesta. Tan preferentemente cerca de la perpendicular a esa dirección transversal y lo que estás viendo que este filtrado se ha movido a lo largo de la imagen excepto 1 pixel de grosor por todos los lados.

Vídeo 2

Ahora hasta ahora lo que hemos estado viendo los ejemplos y discutiendo en una sola banda sin embargo también se puede hacer el filtrado espacial en imágenes multiespectrales o imágenes de colores o de color compuesto no un problema en absoluto. Pero estos son ahora también considerar el filtrado especial bajo las estadísticas de la imagen de la uni variable o el análisis de la imagen. Ahora vamos a discutir análisis de imágenes multivariantes o estadísticas de imágenes así que 2 cosas racionan la banda y componentes principales.
Así que como sabéis que en la teledetección nos preocupa la medición de cuánto radiante se refleja o emite de un objeto en más de 1 banda y porque estamos involucrando ahora a más de 1 banda. Por lo tanto, es útil calcular estadísticas multivariantes que son medidas como covarianza o correlación entre varias bandas. Porque sabes que si ves a la banda después de la banda en una pasión continua puedes encontrar que a veces son altamente correlacionados. Y queremos usar esas bandas en nuestros pueden ser compuestos de color o en algún análisis análisis multiespectral donde las bandas de usuario final están menos correlacionadas. Y para eso podemos realizar estadísticas de imágenes multivariantes. Por lo que la proporción de banda es uno de los componentes de principio de la técnica o en resumen también se llama como PCA puede ser las clasificaciones de las selecciones de características y la evaluación de la precisión de todos estos vendrán bajo esta estadística multivariada. Primero vamos a ir para un racionamiento de banda involucrado 2 bandas básicamente y como si usted ve en la figura y algunos valores también se dan allí que la radiación solar viene aquí y lo que sea de diferentes superficies una superficie es ejemplo se muestra piedra caliza otro ejemplo es la cama roja y entonces usted puede estar teniendo suelo en un lado este más brillante porque el sol está en este lado derecho mientras que en el lado izquierdo está en la sombra.
Así que los valores que están viendo son diferentes valores que vienen después de la reflexión de las diferentes superficies que están viendo aquí. Así que es posible que estos valores de tosco den una reflexión diferente, pero si hay 3 escenarios de bandas hay rojo, verde y azul. Si tomo este ejemplo que de esta superficie esto se marca amarillo aquí todos están dando casi la misma reflexión pero cuando vamos a la banda roja que en la banda roja o canal rojo está teniendo valor 46. Mientras que otros verdes y azules en esa banda su reflejo es sólo 23 si voy en el lado de la sombra entonces los valores aquí en lugar de 46 todos los valores son 23, pero la banda roja está de nuevo teniendo el máximo que es 23 y el resto están teniendo 11 y 12 porque está en el lado de la sombra. Ahora si hay un efecto de dispersión y otras cosas, estos valores se reducirán aún más y podríamos estar recibiendo valores sólo hasta este mucho 5, 14, 32. Así que si realizamos racionamientos de bandas podemos explotar estas diferencias que se están produciendo en diferentes bandas y pueden crear nuevas salidas y imágenes muy útiles para recibir. Veamos el ejemplo aquí en el lado izquierdo que usted conoce banda uno que es la radiación azul como lo que muestra que su difícilmente puedo diferenciar entre las diferentes unidades de roca que están presentes aquí o las cubiertas de la tierra que están allí. Pero cuando creo una relación de banda entre la banda 3 y la banda 2 este es el ejemplo de la tierra sat TM. Entonces claramente obtengo una unidad clara que sale en la imagen de la proporción de la banda que no es posible en la banda 1 debido a la topografía no nos permite ver las muy diferentes en (()) (22:06) unidades. Mientras que en la imagen de la mano derecha cuando creo una banda una proporción de la banda 3 y 2 que elimina el efecto de los efectos de la iluminación de la topografía o la iluminación diferencial y producirá las diferencias en el tipo de roca y esto es lo que el ejemplo es. Aunque la salida va a ser en blanco y negro 2 imágenes grises de la banda 3 y la banda 2 en este ejemplo me han tomado una salida es en escala gris. La banda 1 no nos permite diferenciar entre 2 grandes (()) (22:42) unidades por lo que este es uno de los mejores ejemplos de ello. Ahora si estoy teniendo demasiadas bandas con nosotros no sólo 4 tal vez 7 tal vez 10 o 20 en caso de hiperespectral también. Entonces puedo crear muchas relaciones de banda de diferentes combinaciones y luego puede crear un compuesto de color de la relación de banda como aquí este es el ejemplo de que estos 2 otros proporción de esta es 5 banda porque este es el conjunto de la tierra 7. Así que estamos teniendo sensor TM de conjunto de tierra o sensor TM plus. Así que estamos teniendo 7 bandas por lo que la proporción 5/2 es esta primera una la extrema izquierda entonces este centro uno es la banda 7/4 ratio. Y entonces puedo crear una proporción más se ha creado que es 3/2 como se muestra anteriormente 3 /2 así que todas estas 3 relaciones se han tomado cualquier relación de banda compuesta se ha creado dando esta 2RGB de la imagen de la proporción de banda 3/2 se ha asignado color rojo 5/2 se ha asignado color verde y 7/4 ha sido asignado por el color azul. Y si lo hacemos entonces vemos que no solo ahora 2 unidades de rock sino diferentes unidades de rock están saliendo muy claramente. De lo contrario se ve si se compara con esta primera banda de imagen 1 sólo uno puede interpretar que todo es casi lo mismo que por las rocas están allí o la cubierta de la tierra está allí. Pero cuando vemos aquí ahora estamos diciendo que hay muchos por lo menos 5, 6 unidades de roca son claramente visibles en el racionamiento de la banda.
Así que esa es la ventaja y por lo tanto tenemos que entender uno mientras crea esta combinación de relaciones de banda que cómo diferentes rocas, diferentes vegetación o diferentes unidades de tierra estarían respondiendo a través de estas tarjetas espectrales en diferentes bandas. Así que las bandas 7 por ejemplo es bueno para mostrar los hidroxilos comunes en la roca hidrotérmicamente alterada esto es más específico de la geología de las ciencias. Pero en otros casos también una vez que entendemos las curvas de respuesta espectral para diferentes bandas entonces de diferentes características entonces puedo crear esas combinaciones de bandas de combinaciones de banda y luego crear por fin una imagen compuesta que es una imagen compuesta de proporción de banda. Así que en la imagen de compuesto de color falso normal nunca le dará tales resultados una sola relación de 2 bandas siempre creará una imagen en blanco y negro. Aquí usando 3 relaciones de banda y dando esquema RGB aditivo de color esquema 1 puede crear una hermosa salida para discriminar diferentes objetos, diferentes características, diferentes rocas, diferentes minerales muy claro muy convincentemente. Así que esa es la ventaja de recordar cuando hemos estado discutiendo este espacio de color y falso compuesto de color y otras cosas. Ahora el concepto que hemos discutido se está utilizando directamente aquí, por lo que es por eso que también es importante. Ahora una técnica más de la relación de banda pero poco no simple como 5/2 o 4/7 no es poco más de cálculo es allí y que es índice muy estándar hay muchos índices relacionados con la vegetación o la cubierta de la nieve y otra identificación de la superficie de identificación de la superficie de identificación, pero la que voy a discutir en el índice de la vegetación de la diferencia normalizada. Lo que está pasando en este índice lo que estamos haciendo somos canal infrarrojo menos canal rojo. Así que el rojo verde azul entonces el infrarrojo en esta secuencia obtenemos la banda así que primero estoy poniendo el canal de infrarrojos sabiendo que el canal de infrarrojos la vegetación tendrá una vegetación saludable tendrá la mayor reflectancia. Así que usando ese canal menos el canal rojo estos serán cantidades positivas definitivamente divididas por infrarrojos más rojo por lo que de nuevo esto sería un número mayor que el superior.
Así que lo que sucedería para que creara un índice y esto puede ser utilizado de grueso habrá factor de multiplicación y para que reescalemos los valores entre 0 a 255 si el escenario de 8 bits así que multiplicamos por 255 también. Y finalmente obtenemos la salida que es índice NDVI o imagen NDVI que estará mostrando la salud de la vegetación porque hemos utilizado el canal infrarrojo 2 veces de manera diferente. Así que donde aumenta la fuente roja porque hay un azul y por lo tanto si la vegetación no es saludable entonces la reflexión que usted conoce estas respuestas las curvas de respuesta espectral de la vegetación cambiará hacia el rojo en lugar de permanecer como máximo en el infrarrojo. Así que si el rojo es el aumento que mostrará que la vegetación está teniendo estrés no muy buen contenido de clorofila y por lo que VNIR cerca de muy cerca de infrarrojo estará mostrando valores más altos. Así que al utilizar este índice podemos valorar incluso la calidad o la salud de la vegetación por ejemplo aquí 2 ejemplos están aquí uno es el del lado izquierdo se está teniendo una vegetación saludable en el lado derecho se está teniendo vegetación bajo estrés o puede ser en caso de árboles caducifolios estos son árboles o hojas están a punto de caer si este es el escenario y si creamos un índice de vegetación lo que ocurriría. En el canal infrarrojo 50% esto es esquemático por lo que el 50% de reflexión va a volver al sensor en el canal infrarrojo en caso de vegetación sana y mientras que en visible que es la parte roja del canal visible es sólo el 8% lo que va. Si se compara esto con la vegetación bajo estrés o la vegetación que se está muriendo sólo el 40% en el infrarrojo va mientras que en el rojo visible va 30%. Así que estos valores se han calculado en el fondo como NDVI tan 0.5-0.08 y el porcentaje se han tomado aquí para que usted 0.72 aquí. Si reescalamos en 255 multiplicamos ese valor y obtenemos también un valor de píxel. Pero por el momento vamos a tomar 0,72 en caso de una vegetación saludable de esta proporción básicamente esto es también proporción. Y en el caso de una vegetación que va bajo estrés está teniendo sólo 0.14 por lo que se puede entender donde fácilmente que una vegetación que es saludable que tiene alto contenido de clorofila tendrá un alto valor de NDVI y mientras que la vegetación que está bajo estrés por el secado tendrá un muy menos relativamente menos como en este ejemplo de contenido de clorofila y de menos valor NDVI grueso por lo que es la ventaja. Tan simple en lugar de simple ratio de banda si empleamos el NDVI y normalizamos la diferencia porque normalizar nos normalizamos multiplicando por algún factor o en un escenario de 8 bits puede ser 255 y así cuando lo normalizamos conseguimos índice y eso nos dice la salud de la vegetación. Si vemos en forma de imágenes este es el escenario esta es la primera imagen en el lado izquierdo es junio de 2003 de algunas partes de Europa y está completamente cubriendo reino unido e Irlanda del norte de Irlanda también. Y ver el en esa parte del mundo el mes de junio los valores de NDVI son muy altos mientras que en el mes de octubre cuando el invierno se acerca en esa parte del mundo los valores de NDVI van mucho menos como se puede ver porque el color verde el NDVI 1 significa el NDVI más alto aquí.
Así que temprano hay pocos lugares donde usted está recibiendo verde de lo contrario el resto va en mucho menos valor por lo que estos valores siguen cambiando de estación a temporada y nos dice y si no se ve, pero si en una cubierta forestal si algunas áreas como mostrar menos valor NDVI podría haber debido a la vegetación están bajo estrés tal vez debido a algunos que usted sabe que pueden ser algunos elementos algunos ataques de algunas bacterias o lo que sea y que puede destruir la vegetación o puede ser la falta de agua. A veces en un terreno montañoso si una pendiente se mueve muy lentamente entonces la vegetación también se seca y que también se puede recoger a través de este análisis de NDVI análisis y podemos demarcar la zona también después de la verificación de campo.


Vídeo 3

Ahora la última parte aquí es el principio de análisis de componentes que es muy interesante y muy útil también. El escenario que las figuras que usted está viendo básicamente está mostrando ejemplo de 2 bandas solamente y la izquierda no es más que una trama de dispersión. Así que lo que es la banda 1 frente a la banda 2 y ver que son muy correlacionados banda, no obstante, aquí el origen de esta trama de dispersión está aquí en la esquina inferior izquierda. Ahora con el fin de calcular el principio de análisis de componentes primero voy a explicar a través de los gráficos entonces el origen se desplaza básicamente en lugar de en la esquina inferior izquierda se desplaza al centro de este clúster de píxeles correlacionados entre 2 bandas diferentes como aquí se muestra. Y la que es la correlación máxima es la que se asigna el principio componente una variación máxima de las variaciones máximas de pena que son que hay un principio de asignación componente uno y el que está teniendo relativamente menos variaciones en comparación con el principio uno perpendicular a PC1 es asignar PC2. Ahora si estoy teniendo un 3D en la trama dimensional 3, entonces puedo tener un componente de principio más. Y pero eso se basa en los gráficos pero piensa de ti saber si estoy teniendo 7 bandas y quiero calcular principio de análisis de componentes a través de la programación o a través de las matemáticas es posible pero en gráficos sólo 3 dimensiones se pueden mostrar, no obstante, lo que debido a las correlaciones de banda como he mencionado uno ver que la banda 1 no es tan diferente de lo que la banda a ver y esto es lo que el ejemplo es. Así que como por álgebra lineal estamos haciendo vectores de Eigen donde los valores de Eigen contiene la contribución de cada banda al componente principal por lo que así es como se hace el cálculo. Ahora hay 7 bandas escenario se toma en caso de tierra sat TM y usted es lo que está viendo 6 componentes. Ahora vemos que el que tiene las máximas variaciones presentes entre los valores de pixel irá en principio componente 1 debido a la alta correlación entre los bancos también. Así que a través del análisis de componentes de principio el PC1 siempre llevará las variaciones máximas. Así que PC1 aquí la parte superior izquierda está mostrando las máximas variaciones. Y los componentes principales 6 generalmente llevarán los ruidos por lo que también se puede usar esta técnica para eliminar los ruidos de estas bandas como esta. Ahora usted está teniendo un principio componente 1 que está teniendo la variación máxima presente entre los píxeles se almacenan en PC1 entonces siguiente es el PC2 que está aquí en la parte superior derecha y luego PC3. Al igual que en NDVI creamos un compuesto de color usando combinación de relaciones de 3 bandas de manera similar aquí también esto es posible para crear un compuesto de color usando principio 1 PC1, PC2 y PC3. Y en 4 como se puede ver también son variaciones pero el ruido o efectos de desmonte es visible aquí quinto y sexto está teniendo el máximo ruido. Así es como usted sabe que obtendrá la matriz de correlación y de los vectores de correlación de Eigen gruesa también si se obtiene o por lo tanto la banda 1, banda 2, banda 3, 4, 5, 6 bandas se han utilizado aquí. Y de nuevo la banda PC1, PC2, PC3 y de igual forma y todo este análisis estadístico se realizará y se puede lograr se puede crear un compuesto de color de principio 1 PC1, PC2, PC3 dando un esquema RGB terminarás con la hermosa imagen y hermosa. En el sentido de que le dará más mejor interpretación de la discriminación entre los objetos porque la combinación de 6 bandas de color no puede ser posible por principio análisis de componentes no sólo usted está eliminando los errores de los datos, sino que está reuniendo toda la variación que están presentes en 7 o 6 bandas en sólo 3 componentes y luego la creación de un compuesto de color. Ahora poca variación en el componente principal y que más se conoce la correlación se pueden crear más variaciones mediante el empleo de una técnica que se llama estiramiento de correlación que es lo que se puede hacer sólo después del análisis de componentes de principio. Aquí está el ejemplo de la misma banda de ejemplo 1 y banda 2 bandas altamente correlacionadas están allí y en el caso de la banda 3 banda 5 menos correlación hay cuando vamos para la banda 7 y la banda 4 tierra sat TM vemos que existe menos correlación. Así que lo que en la descorrelación lo que se hace básicamente voy a explicar aquí que estos los estiramientos se hacen en ambos los componentes aquí no se hacen estiramientos en estos tramos lineales de imágenes de salida. Y podemos estirar linealmente estos componentes y podemos hacer el tramo de descorrelación que es por lo que estamos descorrelacionando estas son las bandas correlacionadas y si creo principio componente 1 que estaría en esta dirección de un origen grueso estaría aquí en el centro de este clúster así que los estiraré linealmente. Y si los estira linealmente eso significa que estoy descorrelacionándolos y estoy por esto estoy haciendo más generando más variaciones entre las bandas. En 3 dimensiones hay que saber todos estos planos y en el centro todas estas bandas se muestran y esto que son respectivamente son muy altamente correlacionadas después de DCS estiramiento de la correlación en el espacio de color RGB esto es lo que se ve. Y después de DC esto está en amarillo y violeta y otro espacio de color en diferentes combinaciones se ve este y luego se puede tener después de DCS, HSY que también IHS que es la intensidad Hue y la saturación. Aquí la saturación de intensidad en color amarillo pero el principal punto importante es aquí que esta la trama original puede parecer esta pero cuando se hace el tramo de descorrelación se vería así que significa que se ha descorrelacionado cada correlación entre las bandas y tendrá una variación máxima. Ejemplo de esto es simple imagen RGB que tiene de grueso 3 bandas aquí ahora esto es ejemplo de tierra sat TM. Ahora hay 6 bandas se han tomado para el análisis 3 componentes se han creado estos 3 componentes se han descorrelacionado de nuevo principio componente 1, 2, 3 y después de que se ha creado un compuesto de color y esto es lo que es de-imagen correlacionada. Ahora ve que qué clase de sabes la variación que ha creado entre los valores de pixel para una mejor interpretación y distinguir diferentes objetos muy fácilmente como puedes ver en el just you can see the large differences between simple RGB false color composite and the de-correlated image. De esquema de color grueso definitivamente cambiará uno tiene que preocuparse por eso mientras que hacer las interpretaciones, pero está trayendo muchas características muy claramente que es de otra manera no era posible en simple imagen RGB o imagen compuesta de color falso. Así que esto trae al final de esta discusión y empezamos con sólo para recapitular todo o resumir. Empezamos con el que conoces esta relación de banda cosas y antes de ese tiempo filtrando espacial 2, 3 tipos de filtrado de alto paso, filtro de paso bajo, mejora de bordes y filtrado direccional. Y luego la mejora de borde y el paso alto son los mismos, pero en la mejora de borde se toma generalmente una gran matriz de convolución entonces discutimos los ratios de banda, los compuestos de la banda de compuestos también y luego discutimos el NDVI cómo evaluar la salud de la vegetación utilizando datos de detección remota esto es algo muy estándar en