Tutorial - Clase 4 - Procesamiento de Imágenes

Los tópicos tratados en esta clase son:

Sumario de las clases.
 
 


1. Contraste de Imagen

La técnica de realce de contraste tiene como objetivo mejorar la calidad de las imágenes bajo los criterios subjetivos del ojo humano. Normalmente es utilizada como una etapa de preprocesamiento para sistemas de reconocimiento de patrones.

La manipulación del contraste consiste en una transferencia radiométrica en cada "pixel", con el objetivo de aumentar la discriminación visual entre los objetos presentes en la imagen. Esta operación se realiza punto a punto, independientemente de la vecindad.

El histograma de una imagen describe la distribución estadística de los niveles de gris en términos de número de muestras ("pixels") con cada nivel.

Contra2.gif - 4325 Bytes





Como regla general se puede tomar que cuanto mayor es la inclinación de la curva aplicada en el histograma, mayor será el contraste. Una inclinación de 45 grados indica que no hay realce ni compresión de los niveles de gris. Se debe tomar CUIDADO para que no ocurra "overflow", a menos que se desee.

Un "overflow" ocurre cuando un grupo de pixels con niveles de gris diferentes es transformado en un único nivel, es decir, cuando la inclinación de la recta de transferencia es exagerada. Observe en la figura a seguir, donde la flecha de "overflow" está indicando, significa pérdida de información, ya que pixels de columnas vecinas del histograma de entrada, que originalmente podían ser diferenciados basándose en su nivel de gris, serán comprimidos en una columna solamente y pasarán a tener el mismo nivel de gris (0 para el caso de la figura siguiente).

Contra6.gif - 3018 Bytes





Þ Realce de Imagen
- # Iniciar - Programas - Spring - Spring( 
windows.gif - 1353 Bytes)      #spring ( unix.gif - 943 Bytes)

SPRING  
* Activar el banco de datos Curso (o BANCO1 en caso que haya completado la clase anterior)
* Activar el proyecto Brasilia (o DFederal en caso que haya completado la clase anterior).

1.1. Contraste de imagen con una única banda

Þ Visualizando una imagen:

Panel de Control
- (Categorías | Imagem_TM)
- (Planos de Información | TM4)
- (M) - para monocromático (imagen en niveles de gris)
SPRING  
- [Ejecutar] [Visualizar] o el botón atalho_desenhar.gif - 941 Bytes


Þ Definiendo un aumento de contraste lineal:
SPRING  
- [Imagen][Contraste...]

Contraste
- [Operación] [Lineal]
* Seleccionar con el cursor (botón izquierdo) el valor mínimo del histograma
* Seleccionar con el cursor (botón derecho) el valor máximo del histograma
- [Ejecutar] [Contraste]
- * La imagen de la pantalla activa es realzada


Þ Guardando la imagen realzada:

Contraste
- {Nombre: TM4_realce_linear}
- (Guardar Imagen <=> Banda)
- [Ejecutar] [Guardar]
* En caso que desee, puede seleccionar con el cursor un sector de la imagen para guardar, para lo cual basta definir un rectángulo sobre la imagen, como si fuera a realizar un zoom, pero sin hacer clic en Ejecutar - Visualizar.
- (Cerrar) o botón X (esquina superior derecha de la ventana)

IMPORTANTE: En caso que cierre la ventana de Contraste con una de las opciones de contraste aplicada sobre una imagen, esta transformación podrá quedar almacenada. Así, si carga una imagen que ya fue realzada, esta aparecerá con un contraste modificado en la pantalla, inclusive si la ventana de Contraste está cerrada. Para que esto no ocurra se debe responder No al cerrar la ventana.

1.2. Contraste de una Composición en Color (RGB)

Þ Visualizando una composición en color de tres bandas:

Panel de Control
- (Categorías | Imagem_TM)
- (Planos de Información | TM4), (R)
- (Planos de Información | TM5), (G)
- (Planos de Información | TM3), (B)
SPRING  
- [Ejecutar] [Visualizar] o botón atalho_desenhar.gif - 941 Bytes


Þ Definiendo un contraste para cada banda:
SPRING  
- [Imagen][Contraste...]

Contraste
- [Operaciones] [Lineal] u otra opción de contraste.
- [Canal] [Rojo]
* Seleccionar con el cursor (botón izquierdo) el valor mínimo del histograma
* Seleccionar con el cursor (botón central) el valor máximo del histograma
- [Ejecutar] [Contraste]
* La composición en color en la pantalla activa presenta el resultado de la alteración del histograma.
* Repetir para los canales verde y azul


Þ Creando una Imagen Sintética de la composición en color:

Contraste
- {Nombre: comp_453}
- (Guardar Imagen <=> Imagen Sintética)
- [Ejecutar] [Guardar]
* La imagen sintética estará disponible en el "Panel de Control".

- Analizar otras opciones de contraste: MinMax, RaizCuadrada, Cuadrado, Logarítmico, Negativo, Ecualización de Histograma.
- Analizar la opción de contraste por Edición. Verificar las operaciones: Eliminar, Adicionar y Mover puntos de la curva de realce.

Seta_up.gif - 170 BytesTópicos de esta Clase


2. Lectura de Pixel

La lectura de pixel permite saber cual es el valor de nivel de gris de un determinado pixel y sus vecinos. Este análisis es útil para los trabajos que involucren el estudio del comportamiento espectral de los albos, en las diferentes bandas de imágenes multiespectrales.

Þ Lectura del Nivel de Gris de los Pixels:
- # Iniciar - Programas - Spring - Spring( windows.gif - 1353 Bytes)      #spring ( unix.gif - 943 Bytes)

SPRING  
* Activar el banco de datos Curso (o el BANCO1 en caso que haya completado la clase anterior)
* Activar proyecto Brasilia (o DFederal en caso que haya completado la clase anterior)
* Visualizar la imagen TM5
- [Imagen][Lectura de Pixels...]
Lectura de Pixels
- [Exhibir] [Cursor de Punto] o botón atalho_curso_pto.gif - 940 Bytes si aún no está activo.
* Seleccionar un pixel en la pantalla con el mouse
* Verificar los valores de los pixels para albos diferentes. Observe que cada vez que se selecciona un nuevo pixel, los nuevos valores se presentan en la ventana Lectura de Pixels.


Þ Lectura de pixels definido por una coordenada:

Lectura de Pixels
- (Situar...)

Situar el Cursor de Punto
- (Coordenadas <=> Planas)
- {X: 196219.3}, {Y: 8251421.6} - Obs: Lago do Jaburu
- (Ejecutar)
* Observe que en la coordenada indicada aparece una "cruz"  y se presenta el informe.


NOTA: Haga clic con el botón del medio (BM) del mouse, sobre el área de visualización, para liberar el cursor del modo Punto, o [Exhibir] [Cursor de Punto] o el botón atalho_curso_pto.gif - 940 Bytes.

Þ Guardar en archivo:

Lectura de Pixels
- (Guardar...)

Guardar Archivo Como o Selección de Archivo
- (C:\springdb\Relatorio) o (Directorios: /springdb/Relatorio)
- {Selección del Nombre del Archivo: pixeltm5.txt} - Nombre de un archivo texto que contendrá los valores presentados.
- (Guardar) o (Ejecutar)

Lectura de Pixels
- (Cerrar)


NOTA: El mismo procedimiento para la lectura de pixel, puede ser efectuado sobre una composición en color de tres bandas, pero no sobre una imagen sintética.

Seta_up.gif - 170 BytesTópicos de esta Clase


3. Transformación IHS

Para describir las propiedades de color de un objeto, en una imagen, normalmente el ojo humano no distingue la proporción de azul, verde y rojo presente, y si, evalúa la intensidad (I), el color o matiz (H) y la saturación (S).

La intensidad o brillo es la medida de energía total en todos las longitudes de onda, siendo por lo tanto responsable por la sensación de brillo de esa energía incidente sobre el ojo.

El matiz o color de un objeto es la medida de la longitud de onda media de la luz que se refleja o se emite y que define por lo tanto, el color del objeto.

La saturación o pureza expresa el intervalo de longitud de onda alrededor de la longitud de onda media, en el cual la energía es reflejada o transmitida. Un valor alto de saturación resulta en un color espectralmente puro, mientras que un valor bajo indica una mezcla de longitudes de onda que irá a producir tonos pasteles (apagados).

El espacio IHS puede ser gráficamente representado por un cono. La relación espacial entre el espacio RGB e IHS se muestra  en la figura a seguir.

Ihs1.gif - 3929 Bytes





La distancia de un punto hasta el origen o ápice del cono representa la intensidad.

La distancia radial del punto hasta el eje central del cono representa la saturación.

El matiz está representado por una secuencia radial alrededor de los círculos de saturación y del eje de intensidad.

Por ser independientes, estos tres parámetros pueden ser analizados y modificados en forma separada, para un ajuste mejor de los colores a las características del sistema visual. Muchas veces, esta técnica se utiliza para producir imágenes integradas de sensores diferentes o imágenes de geofísica.

Þ Transformación RGB-IHS
- # Iniciar - Programas - Spring - Spring( 
windows.gif - 1353 Bytes)      #spring ( unix.gif - 943 Bytes)

SPRING  
* Activar el banco de datos Curso
* Activar el proyecto Brasilia
* Visualizar la imagen TM5_Amostra
- [Imagen][Transformación IHS<-->RGB...]

Transformación RGB<-->IHS
- (TRANSFORMACIONES <=> RGB->IHS)
- (Planos de Entrada <=> R)
Categorías y Pls
- (Categorías | Imagem_TM)
- (Planos de Información | TM5_Amostra)
- (Ejecutar)
- Repetir para: plano de entrada G - TM4_Amostra y plano de entrada B - TM3_Amostra

Transformación RGB<-->IHS
- {PI de Salida: Tihs}
- (Resolución de Salida <=> R, G o B) = {X: 30}, {Y:30}, ya que en este caso la resolución de salida será la misma a la de los PI de entrada.
- (Ejecutar)

- Visualizar la imagen IHS resultante
 
 

Aplicar la transformación IHS->RGB utilizando la banda PAN (Categoría: Imagem_SPOT) en lugar de la I y con Resolución del Plano de Salida X=10 e Y=10.
 

Þ Transformación inversa: IHS-RGB
- [Imagen][Transformación RGB>-->IHS...]

Transformación RGB<-->IHS
- (TRANSFORMACIONES - IHS->RGB)
- (Planos de Entrada <=> I)

Categorías y Pls
- (Categorías | Imagem_SPOT)
- (Planos de Información | PAN)
- (Ejecutar)

- (Planos de Entrada - H)

Categorías y Pls
- (Categorías | Imagem_TM)
- (Planos de Información | Tihs-H)
- (Ejecutar)

- (Planos de Entrada - S)

Categorías y Pls
- (Categorías | Imagem_TM)
- (Planos de Información | Tihs-S)
- (Ejecutar)

Transformación RGB<-->IHS
- {PI de Salida: T_inversa}
- (Resolución de Salida <=> I) = {X: 10}, {Y:10}
- (Ejecutar)

- Comparar las composiciones en color originales y transformadas

Seta_up.gif - 170 BytesTópicos de esta Clase


4. Operaciones Aritméticas entre imágenes

Se utilizan una o dos bandas de una misma área geográfica, previamente georreferenciadas. Se realiza la operación "pixel" a "pixel", a través de una regla matemática definida, obteniéndose como resultado una banda que representa la combinación de las bandas originales, permitiendo la compresión de datos, pero normalmente los resultados pueden sobrepasar el intervalo de 0 a 255, siendo estos resultados automáticamente normalizados, saturando los valores menores que 0 y los mayores de 255, en 0 y 255 respectivamente, causando una pérdida de información espectral, por lo que se debe utilizar un factor de Ganancia (multiplicativo) u "Off-set" (aditivo).
 

Substracción de imágenes

Utilizada para realzar las diferencias espectrales (operación lineal), cuando se conocen las curvas del comportamiento espectral de los albos de interés y el intervalo espectral de las bandas de los sensores.
 

Ejemplos de aplicación:

Se aconseja la ecualización de la media y de la desviación standard, antes de la substracción.

Adición de imágenes

La adición de imágenes constituye una operación lineal, la cual puede ser utilizada para obtener la media aritmética entre las imágenes, minimizando la presencia de ruido, o inclusive para integrar imágenes resultantes de diferentes procesamientos.

Multiplicación

Es una operación lineal que consiste en la multiplicación de una constante por los niveles de gris de una banda.

División o razón entre bandas

Es una operación no lineal utilizada para realzar las diferencias espectrales de un par de bandas, se debe tener cuidado si las bandas presentan ruidos, ya que también serán realzados.

La operación de razón de bandas puede:

o      eliminar los efectos de ganancia provenientes de variaciones espaciales o temporales, cuando ocurren en las bandas de una misma imagen;

o      disminuir las variaciones de radiancia de la imagen, provenientes del efecto de topografía, declividad y aspecto;

o      aumentar las diferencias de radiancia entre suelo y vegetación.

La reducción del efecto de iluminación también elimina el efecto de sombreado topográfico.

Para aumentar el contraste entre suelo y vegetación, se puede utilizar la razón entre bandas referentes al rojo e infrarrojo próximo, constituyendo de esta manera, los denominados índices de vegetación.


Þ Operaciones Aritméticas
- # Iniciar - Programas - Spring - Spring( windows.gif - 1353 Bytes)      #spring ( unix.gif - 943 Bytes)

SPRING  
* Activar el banco de datos Curso
* Activar el proyecto Brasilia
* Visualizar la imagen TM4
- [Imagen][Operaciones Aritméticas...]

Operaciones Aritméticas
- (Operación <=> C = Ganancia*(A/B)+Offset)
- (A), (Planos de Información: TM4)
- (B), (Planos de Información: TM3)
- {Ganancia: 50}
- {Offset: 100}
- {Salida C: razón3-4}
- (Ejecutar)


* Visualizar la imagen "razao3-4-(OP4)" resultante
* Aplicar otras operaciones. No se olvide de analizar los valores de Ganancia y Offset.

Seta_up.gif - 170 BytesTópicos de esta Clase


5. Filtraje

Las técnicas de filtraje son transformaciones de la imagen "pixel" a "pixel", que no dependen solamente del nivel de gris de un determinado "pixel", sino también del valor de los niveles de gris de los "pixels" vecinos, en la imagen original.

OBS: Los filtros implementados se encuentran en la tabla siguiente, además de existir la posibilidad de poder editar una máscara.

Tipos de Filtros

Opciones

Máscaras

 

Paso Baja - Media

3x3, 5x5 o 7x7

 

Direccional de Borde

NW, W, SW, N, S, NE, E o SE

Lineal

No direccional de Borde

Baja, Media o Alta

 

Realce de Imagen TM

 

 

Máscaras

Editor de máscaras.

 

Detección de Bordes

Sobel o Roberts

No Lineal

Morfológico - Dilatación

 

 

Morfológico- Mediana

Mtot, Mx, M+, M-, M|, Md o Me

 

Morfológico- Erosión

 

 

Máscaras

Editor de elementos.

 

Lee

Definir el Tipo, Tamaño (3x3, 5x5, 7x7, 9x9), Imagen y Número de Looks. 

Radar

Kuan

Definir el Tipo, Tamaño (3x3, 5x5, 7x7, 9x9), Imagen y Número de Looks.

 

Frost

Definir el Tipo, Tamaño (3x3, 5x5, 7x7, 9x9), Imagen, Numero de Looks y Coeficiente de Correlación.

Þ Filtraje:
- # Iniciar - Programas - Spring - Spring( 
windows.gif - 1353 Bytes)      #spring ( unix.gif - 943 Bytes)

SPRING  
* Activar el banco de datos Curso
* Activar el proyecto Brasilia
* Visualizar la imagen TM4
- [Imagen][Filtraje...]


Þ Usando filtros predefinidos:

Filtraje
- (Tipos <=> Lineal)
- (Filtros Lineales <=> Pasa Baja - Media)
- (3x3)
- {PI de Salida: tm4_media}
- (''Area del Proyecto...)
* Seleccionar el área a ser filtrada sobre la imagen, si no es definida ninguna área del Proyecto se utilizará todo el área del PI.
- (Número de Interacciones <=> 1)
- (Ejecutar)

* Visualizar la imagen tm4_media filtrada para compararla con la original
* Aplicar otros filtros

NOTA: El filtraje es efectuado directamente en el disco, creando un PI nuevo o actualizando el PI activo.
 

Þ Editando filtros de usuarios
Panel de Control
* Visualizar la imagen PAN (Categoría : Imagem_SPOT)

Filtraje
- (Tipos <=> Lineal)
- (Filtros Lineales <=> Máscaras)
- (Seleccionar...)

Máscaras
- (Directorio: /springdb/Datos) o (C:\springdb\Datos)
- (CR)
- (X <=> 7), (Y <=> 7)
- (Crear...)

Edición de Máscaras
- {Nombre: urb}
* Completar la máscara con los valores como se muestra a seguir:

0

0

0

0

0

0

0

0

0

0

-2

0

0

0

0

0

1

-2

1

0

0

-2

-2

-2

25

-2

-2

-2

0

0

1

-2

1

0

0

0

0

0

-2

0

0

0

0

0

0

0

0

0

0

- (Guardar)

Máscaras
- (Ejecutar)

Filtraje
- {PI de Salida: SPOT_m }
- (área del Proyecto...)
* Seleccionar el área de la imagen sobre la cual se aplicará el filtro, si no se especifica nada se aplicará sobre toda el área del PI.
- (Nº de Iteraciones <=> 1)
- (Ejecutar)
* Visualizar la imagen SPOT_m filtrada para comparación
* Editar otras máscaras y aplicar

Las técnicas de filtraje utilizando filtros pasa baja son útiles para la eliminación de ruido no sistemático, como se puede observar en el ejercicio a seguir. Note que fueron creados ruidos totalmente oscuros (NG=0) y ruidos blancos (NG=255).
 
 

Þ Filtraje pasa baja para la eliminación de ruido:

SPRING  
- Activar el proyecto Rondonia
- Visualizar la imagen TM5_RuidoA
* Comparar con las imágenes TM5_RuidoB y TM5_RuidoC.
- [Imagen][Filtraje...]

Filtraje
- (Tipos <=> Lineal)
- (Filtros Lineales <=> Pasa Baja Media)
- (3x3)
- {PI de Salida: TM5_SemRuidoA }
- (Nº de Iteraciones <=> 1)
- (Ejecutar)


NOTA: Realice pruebas y observe el efecto de utilizar filtros con máscaras de tamaño mayor y también filtros no lineales.

Seta_up.gif - 170 BytesTópicos de  esta Clase


6. Eliminación de Ruido

Ruidos (puntos totalmente blancos o negros) pueden aparecer distribuidos aleatoriamente o de forma sistemática (líneas verticales y horizontales). Las causas pueden ser fallas de detectores, limitaciones del sistema electrónico del sensor, entre otras.

Se debe escoger los valores de:  Umbral Inferior y Umbral Superior.

Selección del Umbral Inferior

Un punto será considerado ruido en caso de que su nivel de gris esté por debajo de los niveles de gris de sus dos puntos vecinos abajo y arriba (líneas de arriba y de abajo) por una diferencia mayor que el umbral inferior. En este caso, el punto será substituido por la media entre los dos puntos vecinos.

Selección del Umbral Superior

Un punto será considerado ruido en caso de que su nivel de gris sea mayor que el de los dos puntos vecinos abajo y arriba (línea de arriba y de abajo) por una diferencia mayor que el umbral superior. En este caso, el nivel de gris del punto también será substituido por la media de los dos puntos vecinos.

Þ Eliminación de Ruido
- # Iniciar - Programas - Spring - Spring( windows.gif - 1353 Bytes)      #spring ( unix.gif - 943 Bytes)

SPRING  
* Activar el banco de datos Curso
* Activar el proyecto Rondonia
* Visualizar la imagen tm5_ruido
- [Imagen][Eliminación de Ruido...]

Eliminación de Ruido
- (Inferior <=< 65), (Superior <=< 41)
- {Imagen de Salida: TM5_c}
* Seleccionar el área con ruido sobre la imagen, utilizando el Cursor de área en atalho_cursor_ar.gif - 923 Bytes o [Exhibir] [Cursor de área]
- (Ejecutar)

* Visualizar la imagen TM5_c en la Pantalla 2 para comparar
* Aplicar umbrales inferiores y superiores diferentes en caso de que el ruido persista

Seta_up.gif - 170 BytesTópicos de  esta  Clase


7. Estadística de Imágenes

La función Análisis Estadística es efectuada sobre Muestras definidas en la imagen y tiene como objetivo calcular y presentar los siguientes parámetros estadísticos a partir de las imágenes previamente seleccionadas: Momentos, Mediana, Moda, Desviación Standard y Variancia , Matriz de Covariancia y correlación, Matriz de Autocorrelación y Matriz de Correlación Cruzada.
 

Þ Realizando un análisis Estadístico:
- # Iniciar - Programas - Spring - Spring( windows.gif - 1353 Bytes)      #spring ( unix.gif - 943 Bytes)

SPRING  
* Activar el banco de datos Curso
* Activar el proyecto Brasilia
* Visualizar la imagen TM5
- [Imagen][Estadística...]

Análisis Estadística
- {Nombre: estat1}
- (Planos de Información | TM3, TM4, TM5)
- (Crear Archivo...)

Þ Adquiriendo muestras:

Adquisición de Muestras
- {Nombre de la muestra: amostra1}
- (Adquisición <=< Cursor)
* Adquiera una muestra sobre la imagen definiendo un rectángulo como si fuera a efectuar un zoom, pero no haga clic en [Ejecutar] [Visualizar].
- (Adquirir)

Þ Analizando muestras:

Adquisición de muestras
- (Muestras | amostra1) - observe que un rectángulo verde destaca la muestra en el área de visualización.


Þ Analizando momentos de las muestras:

Adquisición de Muestras
- (CÁLCULOS <=< Momentos)
- (Calcular y Presentar...)

Estadísticas de Muestras
- (Selección de PI: tm3)
* Analizar el histograma y los valores estadísticos (media, variancia, desviación standard y momentos)
* Seleccionar otros planos y analizar los valores estadísticos

Þ Analizando momentos de las muestras

Adquisición y Visualización
- (CÁLCULOS - Matriz de Covariancia y Correlación)
- (Calcular y Presentar...)

Estadísticas de Muestras
* Analizar las matrices calculadas

* Analizar otras muestras y otros cálculos

Seta_up.gif - 170 BytesTópicos de  esta  Clase


8. Restauración de Imagen

La Restauración es una técnica de corrección radiométrica cuyo objetivo es corregir las distorsiones ocasionadas por el sensor óptico en el proceso de generación de las imágenes digitales, visando reducir este efecto de borrado.

La corrección es realizada por un filtro lineal, donde los pesos se obtienen a partir de las características del sensor, y no de forma empírica como es realizado en el caso de los filtros de realce tradicionales. En este caso, el filtro es específico para cada tipo de sensor y banda espectral.
 
 

Þ Restaurando una imagen:
- # Iniciar - Programas - Spring - Spring( windows.gif - 1353 Bytes)      #spring ( unix.gif - 943 Bytes)

SPRING  
* Activar el banco de datos Curso
* Activar el proyecto Brasilia
* Visualizar la imagen PAN (Categoría Imagem_SPOT)
- [Imagen][Restauración...]

Restauración
- (Imagen <=> SPOT-P)
- {Nombre: PAN_R_5}
- (Pixel <=> 5)
- (Ejecutar)

* Visualizar la imagen PAN_R_5 en la Pantalla 2 para comparar

Seta_up.gif - 170 BytesTópicos de esta Clase


9. Análisis por Componentes Principales

La creación de componentes principales es una técnica de realce que reduce o elimina la redundancia espectral, o sea, genera un nuevo conjunto de imágenes cuyas bandas individuales presentan informaciones no disponibles en otras bandas. Esta redundancia es debida principalmente al efecto de sombras resultantes de la topografía, de la superposición de las ventanas espectrales entre bandas adyacentes y del propio comportamiento espectral de los objetos.

La figura a seguir muestra que la transformación de componentes principales en dos dimensiones corresponde a la rotación del eje original de la coordenada para coincidir con las direcciones de máxima y mínima variancia de los datos.

Pcrot1.gif - 3560 Bytes





La primera componente principal contiene la información de brillo asociada a las sombras de topografía y a las grandes variaciones de la reflectancia espectral general de las bandas. Esta componente principal posee la mayor parte de la variancia total de los datos, concentrando la información antes dispersa en varias dimensiones.

La segunda y las subsecuentes componentes principales presentan gradualmente menos contraste entre los objetos de interés(blancos) y no presentan información topográfica, debido a la ausencia de sombras.

La tercera y la cuarta componentes principales contienen típicamente menos estructura de la imagen y más ruido que las dos primeras, indicando la compresión de los datos en las primeras bandas.

La última componente representa básicamente el ruido existente en los datos originales.
 
 

Þ Realizando la transformación por Componentes Principales:
- # Iniciar - Programas - Spring - Spring( windows.gif - 1353 Bytes)      #spring ( unix.gif - 943 Bytes)

SPRING  
* Activar el banco de datos Curso
* Activar el proyecto Brasilia
* Visualizar la imagen TM5
- [Imagen][Componentes Principales...]

Componentes  Principales
- (Planos de información | TM3, TM4 e TM5) - seleccionar PIs para análisis
- (Muestra <=> Cursor)
* Seleccionar el área sobre la imagen
- (Adquirir)
* Adquirir otras muestras
- (Parámetros...)

Parámetros de las Componentes Principales
* Analizar los parámetros
* Guardar los parámetros en el archivo princo1

Componentes Principales
- {Imagen de Salida: tmpc}
- (Realce <=> Sí)
- (Ejecutar)

* Visualizar la imagen tmpc resultante
* Aplicar nuevamente la transformación sin la opción de realce

Seta_up.gif - 170 BytesTópicos de  esta Clase


Sumario - Clase 4

Consulte también:
Sobre Procesamiento Digital en el SPRING
Sobre la Percepción Remota