ISSN: 2602-8085

www.cienciadigital.org Vol. 3, N°3.4, p. 5-18, septiembre, 2019

Sistema de Procesamiento Digital de Imágenes

Satelitales para Cálculo de Áreas de Interés.

System of Digital Processing of Satellite Images for Calculation of Interest

Areas.

José Luis Tinajero León.1, Pablo Eduardo Lozada Yánez.2, Monica Andrea
Zabala Haro.3, Cristhy Nataly Jiménez Granizo 4.

Recibido: 02-07-2019 / Revisado: 16-07-2019 /Aceptado: 05-08-2019/ Publicado: 10-09-2019

Abstract. DOI: https://doi.org/10.32/cienciadigital.v3i1.947

This Currently, there are several software that allow digital image processing, its
deficiency lies in the high costs of its license. This article proposes the Digital
Processing of Satellite Images through an analysis based on artificial vision techniques
through the development of a GUIDE in Matlab (MATrix LABoratory) in which
various operations are performed on a satellite image, the original image is decomposed
into its various color matrices, the developed application allows the selection of the
area of interest in an interactive way for easy preprocessing of the image in which the
application of logical operations and filling of contours is considered, in addition the
image segmentation is carried out including automatic processes and manuals of the
Matlab tool, a final stage shows the approximate value of the study area prior to the
processing formed by the filtering and edge detection stage. The results allowed to
determine that while the Otsu method does not discriminate isolated areas of the image

1
Escuela Superior Politécnica de Chimborazo, Facultad de Informática y Electrónica. Riobamba, Ecuador.
joseluis.tinajero@espoch.edu.ec
2
Escuela Superior Politécnica de Chimborazo, Facultad de Informática y Electrónica. Riobamba, Ecuador.
plozada@espoch.edu.ec
3
Escuela Superior Politécnica de Chimborazo, Facultad de Informática y Electrónica. Riobamba, Ecuador.
monica.zabala@espoch.edu.ec
4
Universidad Nacional de Chimborazo, Facultad de Ciencias de la Educación y Tecnologías. Riobamba,
Ecuador. ccjimenez@unach.edu.ec

Desarrollo & Crecimiento (Volumen Especial) Página 29

 ISSN: 2602-8085
www.cienciadigital.org Vol. 3, N°3.4, p. 5-18, septiembre, 2019
and considers them as part of the area of interest on which the calculation of the area
will be made, the manual tuning process to find the threshold of the image discriminates
those isolated areas that do not belong to the area improving the calculation of the area
of interest.

Keywords: Satellite, Satelital Image, Digital Image Processing, GUIDE, Matlab.

Resumen.
En la actualidad existen varios softwares que permiten realizar procesamiento digital
de imágenes su deficiencia radica en los elevados costos de su licencia. El presente
artículo plantea el Procesamiento Digital de Imágenes Satelitales mediante un análisis
basado en técnicas de visión artificial mediante el desarrollo de un GUIDE en Matlab
en el cual se realizan diversas operaciones sobre una imagen satelital, la imagen
original se descompone en sus diversas matrices de color, la aplicación desarrollada
permite la selección del área de interés de forma interactiva para facilidad del
preprocesamiento de la imagen en el cual se considera la aplicación de operaciones
lógicas y relleno de contornos, de manera adicional se realiza la segmentación de la
imagen incluyendo procesos automáticos y manuales propios de la herramienta Matlab,
una etapa final muestra el valor aproximado del área de estudio previo al procesamiento
conformado por la etapa de filtrado y detección de los bordes. Los resultados
permitieron determinar que mientras el método Otsu no discrimina zonas aisladas de
la imagen y las considera como parte de la zona de interés sobre la cual se realizará el
cálculo del área, el proceso de tunning manual para hallar el umbral de la imagen
discrimina aquellas zonas aisladas que no pertenecen al área mejorando el cálculo del
área de interés.

Palabras claves: Satélite, Imagen Satelital, Procesamiento Digital de Imágenes,

GUIDE, Matlab.

Introducción.
El procesamiento digital de imágenes ha experimentado un crecimiento considerable en los
últimos años, pues se pretende emular ciertas capacidades que poseen los seres vivos, se
realiza la digitalización del mundo real mediante dispositivos electrónicos para obtener
capturas de un determinado espacio, dichas capturas son procesadas mediante Software

Desarrollo & Crecimiento (Volumen Especial) Página 30

 ISSN: 2602-8085
www.cienciadigital.org Vol. 3, N°3.4, p. 5-18, septiembre, 2019
específicos que permiten realizar diferentes métodos de análisis de los espacios estudiados.

Para el análisis de áreas específicas se procesa en la mayoría de los casos con software
específicos bajo ciertas limitaciones en la versión gratuita y licenciada, ante estas dificultades
se propone una alternativa al procesamiento de imágenes para análisis de casos específicos
que incluye el post procesamiento de la imagen satelital con la ayuda de algoritmos de
procesamiento, los resultados se presentan al usuario en forma intuitiva a través de una
interfaz gráfica que permite seleccionar el área de interés, segmentar la imagen original
mediante métodos manuales y automáticos, binarización de las imágenes.

El artículo presenta los conceptos teóricos en los cuales se fundamenta la investigación,

además se muestra el análisis de los resultados en base al procesamiento digital de imágenes
realizado en el GUIDE de Matlab, se realiza también una breve discusión de los resultados
obtenidos, y finalmente, las conclusiones establecidas.

Metodología.

Se desarrolla la implementación de un sistema de procesamiento digital de imágenes

satelitales las acciones de descomposición de matrices de la imagen original, selección del
área de interés para discriminar elementos no relevantes al caso de estudio para finalmente
crear una nueva imagen binaria del objeto de forma manual y también automática para así
ejecutar su post procesamiento y ejecutar cálculos de interés.

Infraestructura Satelital
De acuerdo a Andy (2018), existe 4857 satélites actualmente orbitando el planeta, en 2018
United Nations Office for Outer Space Affairs (UNOOSA) ha registrado 204 objetos
lanzados hacia el espacio (Andy, 2018). En 2017 el número de objetos lanzados al espacio
alcanzó la cantidad de 453, representando el 5% de los objetos lanzados al espacio. Según
UNOOSA (2016), puntualiza que en la historia se han lanzado 8126 objetos al espacio, y más
del 22% de estos se encuentran solo en los últimos ocho años (Affairs, 2016).

La mayoría de estos objetos son cubesat y entre los principales objetivos incluye servicios de
comunicación, misiones para observación de la tierra contando con 661 satélites
aproximadamente y para el servicio de navegación por satélites las constelaciones que están

Desarrollo & Crecimiento (Volumen Especial) Página 31

 ISSN: 2602-8085
www.cienciadigital.org Vol. 3, N°3.4, p. 5-18, septiembre, 2019
bajo desarrollo han alcanzado ha incrementado a 121 satélites un 12% más que el año pasado,
entre otras.

Sistemas Satelitales para la observación de la Tierra

La observación de la tierra representa una de las principales actividades de los vehículos
espaciales ya que a través de la información satelital es posible monitorear los recursos y
fenómenos naturales categorizándolos dentro programas específicos que permiten
monitorear actividades que pueden afectar a los humanos. Los sensores a bordo permiten la
recolección de información sobre el área de interés bajo diferentes formatos, las disponibles
actualmente corresponden a las imágenes ópticas consideradas las de mayor interés por los
beneficios que muestra en el estudio de casos específicos, así también, las imágenes de radar,
imagen infrarroja utilizadas para servicios de monitoreo de cambios climáticos terrestres y
espaciales, recursos hídricos, verificación de desastres naturales y monitoreo remoto, entre
otros. El esquema de obtención, procesamiento y acceso a la información está estructurado
en niveles como se ve en la Fig. 1 y Fig. 2 (EESA, 2019).

Figura 1. Esquema general de la infraestrcutural satelital

Fuente: http://www.esa.int/copernicus

Desarrollo & Crecimiento (Volumen Especial) Página 32

 ISSN: 2602-8085
www.cienciadigital.org Vol. 3, N°3.4, p. 5-18, septiembre, 2019
Figura 2. Arquitectura de sistemas satelital de observación de la tierra

Fuente: http://www.esa.int/copernicus

El dato bruto o información original obtenido por cada vehículo satelital a través de los
sensores es procesada de acorde las aplicaciones y servicios finales a brindar a los usuarios
bajo las normativas de cada organización que está a cargo de su procesamiento y distribución
en forma libre o de pago realizada con software específicos para su posterior publicación a
través de sitios oficiales web.

Nuevos países se han integrado a la carrera espacial con diversos proyectos en diferentes
áreas, también ha sido de interés el participar en proyectos que integren la observación de la
tierra sin embargo por cuestiones políticas y económicas su participación es reducida.
Actualmente los países que lideran la administración y lanzamiento de satélites de
observación de tierra (EO) y según United Nations (2018), E.E.U.U. lidera el control de más
de la mitad de los satélites EO, después de EE. UU está China con un 14,4%, y luego India,
Japón y Rusia, que tienen cada uno más del 3%. el Reino Unido solo figura como controlador
en 4 satélites, gestionados por sus agencias espaciales que incluye a la Agencia Espacial
Europea (ESA) y la Administración Nacional de Aeronáutica y Espacio (NASA) (Nations,
2018).

Programa de observación de la Tierra. Copernicus

En el programa de observación de la tierra, ESA reúne su flota de satélites y los agrupa en
diferentes misiones distribuidas como se observa en la Fig. 3, y englobadas bajo el programa
denominado el cual tiene como objetivo el monitoreo del ambiente, mitigación de los efectos

Desarrollo & Crecimiento (Volumen Especial) Página 33

 ISSN: 2602-8085
www.cienciadigital.org Vol. 3, N°3.4, p. 5-18, septiembre, 2019
del cambio climático y seguridad civil en colaboración con la industria, compañías privadas,
Agencias espaciales nacionales e internacionales y Organización Europea para la
Explotación de Satélites Meteorológicos (EUMETSAT) (Copernicus, 2018).
Figura 3. Misiones de Observación de la Tierra controladas por la ESA

Fuente: https://www.copernicus.eu/en

Misiones como Soil Moisture and Ocean Salinity (SMOS) responsable de medir la humedad
del suelo y salinidad oceánica, SWARM responsable de medir el campo geomagnético de la
tierra y sus variaciones temporales en el interior de la tierra junto con el clima (González,
2017). Conceptos y áreas temáticas propuestas con alta prioridad se considera el monitoreo
del CO2, ambiente marino y observaciones polares, monitoreo de la tierra por imágenes
térmicas y desastres naturales, uno de los productos finales se observa en la Fig. 4 (Ruescas,
2009).
Figura 4. Campo térmico estival representativo del intenso calentamiento en la capa superficial
del mar con entrada de aguas frescas atlánticas en el mar de Alborán cuyo hundimiento provoca
ascensos de aguas frías del fondo (Imagen NOAA HRPT, 13/07/2004)

Fuente:https://www.researchgate.net/publication/241775231_La_formacion_del_campo_te
rmico_marino_en_la_cuenca_occidental_del_Mediterraneo

Desarrollo & Crecimiento (Volumen Especial) Página 34

 ISSN: 2602-8085
www.cienciadigital.org Vol. 3, N°3.4, p. 5-18, septiembre, 2019
Plataforma de acceso Web
Los datos brutos son preparados por los centros procesamiento masivo de la ESA para su
posterior publicación bajo la normativa de libre acceso bajo ciertas restricciones de calidad
y disponibilidad de cobertura. En forma general, el sitio web la interfaz permite buscar y
filtrar resultados por fechas, satélites y área de interés. Sin embargo, hay que considerar que
la disponibilidad de las imágenes solo se limita a la cobertura espacial y temporal del satélite
además de la calidad por defecto brindada por la plataforma.

En orden de acceder a las imágenes es necesario el registro en la plataforma para su posterior

descarga. Hay que considerar ciertas restricciones de cobertura pues la huella satelital como
se observa en la Fig. 5 Eumesat (2018), define que es posible que no coincida con los criterios
de interés de estudio, así mismo la calidad y escala no permite identificar detalles importantes
que permitan discriminar criterios en la observación de fenómenos naturales (EUMETSAT,
2018).
Figura 5. Plataforma web Copernicus

Fuente:https://www.eumetsat.int/website/home/Data/DataDelivery/CopernicusOnlineDataA
ccess/index.html

GUIDE Matlab
Es un entorno de programación visual disponible en MATLAB para realizar y ejecutar
programas que necesitan un ingreso de datos de manera continua, posee las características
básicas de los programas de visuales. (Barragán, 2017).

Un buen GUIDE puede permitir que los programas sean más fáciles de usar al
proporcionarles una apariencia consistente y con controles intuitivos como botones,

Desarrollo & Crecimiento (Volumen Especial) Página 35

 ISSN: 2602-8085
www.cienciadigital.org Vol. 3, N°3.4, p. 5-18, septiembre, 2019
pulsadores, cuadros de lista y demás elementos existentes para desarrollar una interfaz gráfica
amigable.

Visión Artificial
La visión artificial tiene como objetivo extraer información del mundo físico a partir de
imágenes, utilizando un ordenador, se consideran tres niveles de procesamiento:
• Nivel Bajo considera el proceso de captura de la imagen y preprocesamiento que tiene
por finalidad reducir el ruido, realzar el contraste o características.
• Nivel Medio está conformado por la segmentación, descripción y reconocimiento de
características propias de la imagen.
• Nivel Alto se caracteriza por la interpretación de los objetos encontrados en la
captura.

Segmentación
Es el proceso por el cual se divide a una imagen en regiones homogéneas que poseen una
o varias características en común facilitando el posterior procesamiento digital de las
imágenes, el proceso de segmentación está definido por la umbralización que puede ser
realizada por métodos manuales o automáticos los mismo que consisten en convertir una
imagen en escala de grises a una imagen binaria de manera que los objetos y elementos
en estudio se puedan definir con un valor diferente al resto de los pixel que componen la
captura.

Filtrado Espacial
Es una técnica que permite mejorar o modificar la imagen a ser procesada, en la cual se
trata de resaltar o atenuar algunas características que necesitan ser analizadas dentro de
las capturas realizadas.
Detección de Bordes
Se emplea un filtro pasa alto, cuya finalidad es resaltar o preservar los contornos de
un elemento específico dentro de la captura realizada, considerando el valor de los
pixeles analizados y el de sus vecinos (García, 2018).

Metodología
Se desarrolla la implementación de un sistema de procesamiento digital de imágenes
satelitales las acciones de descomposición de matrices de la imagen original, selección del

Desarrollo & Crecimiento (Volumen Especial) Página 36

 ISSN: 2602-8085
www.cienciadigital.org Vol. 3, N°3.4, p. 5-18, septiembre, 2019
área de interés para discriminar elementos no relevantes al caso de estudio para finalmente
crear una nueva imagen binaria del objeto de forma manual y automática para así ejecutar su
post procesamiento y ejecutar cálculos de interés. Para el caso se presenta el análisis de varias
imágenes satelitales que están conformadas por recursos hídricos.

Descomposición de Matrices
El proceso de descomposición en diversas matrices de color es destacar elementos de
posible análisis dentro de la imagen descargada, tal como se muestra en la Fig.6.
Figura 6. Descomposición de la Imagen Original en Matrices de Color

Fuente: https://es.slideshare.net/FLliuya/introduccion-al-procesamiento-de-imagenes-con-
matlab

En la Fig. 6 se visualiza la imagen satelital representada en sus diversas matrices de color,

para la siguiente etapa de análisis se considera la matriz 1en la cual se visualiza de forma
clara los detalles de color azul de la captura a ser procesada (Manna, 2016).

Selección del Área de Interés

El área de interés representa una sección específica a la que se expone al análisis en detalle,
la interfaz gráfica permite la selección del objeto a través del cursor similar a las
características de las plataformas web.
En la Fig. 7 se muestra el proceso realizado, para el caso de estudio seleccionado se analiza
el lago que se encuentra presente en el centro de la captura.

Desarrollo & Crecimiento (Volumen Especial) Página 37

 ISSN: 2602-8085
www.cienciadigital.org Vol. 3, N°3.4, p. 5-18, septiembre, 2019
Figura 7. Selección-Recorte del Área de Interés

Fuente: https://es.slideshare.net/FLliuya/introduccion-al-procesamiento-de-imagenes-con-
matlab

Segmentación de la imagen
El objetivo de estudio es calcular la posible área conformada por el elemento de interés
para realizar estudios de afectación climática sobre diversas capturas realizadas a diversos
recursos hídricos. Se procede a segmentar la imagen de dos formas, la primera
corresponde al método automático, aplicando el método Otsu, considerado uno de los
mejores métodos de selección de umbral pues no necesita supervisión humana ni previa
información de la imagen antes de su procesamiento, posee una desventaja y respecto del
tiempo que emplea para seleccionar el umbral óptimo , para la imagen analizada el valor
óptimo de umbral es 0.329412, la Fig. 8 muestra la imagen binaria obtenida con el valor
calculado por el método automático (Díaz, 2016).
Figura 8. Segmentación Basada en el Método Otsu.

Fuente:http://www.iiis.org/CDs2016/CD2016Summer/papers/CA040RP.pdf
Para realizar la comparación de resultados, se realiza la segmentación de la imagen

Desarrollo & Crecimiento (Volumen Especial) Página 38

 ISSN: 2602-8085
www.cienciadigital.org Vol. 3, N°3.4, p. 5-18, septiembre, 2019
mediante un método manual, es decir, se binariza la imagen mediante un valor establecido
por el usuario, el mismo que es ingresado al GUIDE mediante una barra de deslizamiento
que varía entre valores establecidos en el rango de 0 y 1, el valor ingresado realiza la
agrupación de pixeles de acuerdo a la afinidad que estos poseen, según el umbral
considerado se puede identificar mayor o menor cantidad de pixeles en el elemento de
estudio, en la Fig. 9 se muestra el proceso de Binarización de la imagen considerando un
valor de umbralización de 0.25 (Fresno, 2012)
Figura 9. Segmentación Basada en el Método Manual.

Fuente:https://pdfs.semanticscholar.org/10bd/44ffd42b93b7757ad05c35588e8598cf5633.pdf

Cálculo de Área de Interés

De acuerdo con la Fig. 8 y Fig. 9 realiza el preprocesamiento de las capturas de forma
automática o manual, dependiendo de las características de las imágenes binarias
permitiendo verificar la diferencia existente entre las imágenes después de su
procesamiento.

Los resultados del preprocesamiento realizado con la imagen binaria basada en el método
Otsu se muestra en la Fig. 10, se realiza la negación de la imagen binaria la cual consiste
en negar los pixeles de la imagen para obtener el elemento de estudio en color blanco y
fondo de la imagen en color negro, adicionalmente se realiza el relleno de la región de
interés para eliminar cualquier pixel aislado que pueda distorsionar el procesamiento de
la imagen (Madrid, 2015)

Desarrollo & Crecimiento (Volumen Especial) Página 39

 ISSN: 2602-8085
www.cienciadigital.org Vol. 3, N°3.4, p. 5-18, septiembre, 2019

Figura 10. Preprocesamiento de la Imagen Basada en el Método Otsu.

Fuente:http://www.elai.upm.es/webantigua/spain/Asignaturas/Robotica/PracticasROVA/prROVA
5Segmentacion.pdf

Al realizar el cálculo del área de interés se realiza el procesamiento de la imagen, en este

procedimiento se aplica un filtro pasa bajo el cual analiza un conjunto de pixeles formado
por el pixel en estudio y sus ocho vecinos, se emplea el filtro de mediana, también se
extrae los bordes de la imagen filtrada obteniéndose una forma bastante clara del objeto
analizado, en la Fig. 11 se muestra los resultados obtenidos:
Figura 11. Procesamiento de la Imagen con Umbral Automático.

Fuente:http://www2.elo.utfsm.cl/~elo328/pdf1dpp/PDI18_Segmentacion_1dpp.pdf

Finalizado el procesamiento de las imágenes el valor se muestra en el GUIDE desarrollado

considerando que el área calculada tiene unidades de medida m2, el dato calculado se
muestra en la Fig. 12 (Vara, 2016)

Desarrollo & Crecimiento (Volumen Especial) Página 40

 ISSN: 2602-8085
www.cienciadigital.org Vol. 3, N°3.4, p. 5-18, septiembre, 2019
Figura 12. Valor Aproximado del Área de la Imagen Automática

Fuente:https://www.researchgate.net/publication/305026943_Ensenando_Optica_Coherent
e_usando_Matlab_GUIDE

Con la imagen binaria obtenida de forma manual se realiza un procesamiento similar al

anteriormente descrito, la diferencia radica en la reducción del espacio analizado, pues en
la imagen del método automático se logra eliminar varios pixeles que se asumen que no
corresponden al lago, en la Fig., 13 se muestran los resultados obtenidos del
preprocesamiento aplicado a la imagen binaria manual.
Figura 13. Preprocesamiento de la Imagen Manual.

Fuente:http://www2.elo.utfsm.cl/~elo328/pdf1dpp/PDI18_Segmentacion_1dpp.pdf

En la Fig. 14 se analiza el procesamiento de la imagen binaria manual, tras ser aplicada el

filtro de la mediana y la detección del borde dentro de la misma:
Figura 14. Procesamiento de la Imagen con Umbral Manual.

Fuente:http://www2.elo.utfsm.cl/~elo328/pdf1dpp/PDI18_Segmentacion_1dpp.pdf

Desarrollo & Crecimiento (Volumen Especial) Página 41

 ISSN: 2602-8085
www.cienciadigital.org Vol. 3, N°3.4, p. 5-18, septiembre, 2019
El valor aproximado que corresponde al área de estudio, por este método se muestra en
la fig. 15.
Figura 15. Valor Aproximado del Área de la Imagen Manual

Fuente:https://www.researchgate.net/publication/305026943_Ensenando_Optica_Coherente_u
sando_Matlab_GUIDE

Resultados
Para el procesamiento y análisis de la imagen satelital se desarrolló un GUIDE en Matlab, en
el cual se crearon varias pantallas que permiten realizar las operaciones descritas en el
apartado anterior. En el entorno de desarrollo gráfico se debe ingresar el nombre de la foto
descargada y de la cual se pretender realizar el cálculo del área de un elemento específico
dentro de la captura.

Detección de Bordes
En la Fig. 16 se evidencia una gran diferencia en dichas imágenes, en el procesamiento de la
imagen binaria manual se eliminan pixeles aislados que se encuentran en la parte inferior de
la imagen, en tanto, la imagen binaria automática posee una gran cantidad de pixeles que para
la apreciación del programador no forman parte del elemento en estudio.
Figura 16. Comparación de los Bordes Detectados.

Fuente: http://www.sc.ehu.es/ccwgrrom/transparencias/pdf-vision-1-transparencias/capitulo-
6.pdf

Desarrollo & Crecimiento (Volumen Especial) Página 42

 ISSN: 2602-8085
www.cienciadigital.org Vol. 3, N°3.4, p. 5-18, septiembre, 2019
Valor de Umbralización
Existe una gran diferencia de los valores calculados entre los diversos métodos, la
variación entre dichos resultados corresponde a la cantidad de información presente en la
imagen binaria, en la imagen manual se eliminan la mayor cantidad de pixeles aislados
que partiendo de la imagen original no forman parte del elemento en estudio. En la Fig.
17 se muestran el área del elemento estudiado (Unipython, 2018)
Figura 17. Comparación de las imágenes binarias.

Fuente: https://unipython.com/umbralizacion-una-imagen/

Cálculo del Área

Existe una gran diferencia de los valores calculados entre los dos métodos en análisis, la
variación en los datos se evidencia en lo expuesto al valor de Binarización considerado
para cada uno de los procesamientos realizados a las diversas imágenes. En la Fig. 18 se
muestran el área del elemento estudiado.
Figura 18. Comparación del área de las imágenes binarias.

Fuente: https://unipython.com/umbralizacion-una-imagen/

Desarrollo & Crecimiento (Volumen Especial) Página 43

 ISSN: 2602-8085
www.cienciadigital.org Vol. 3, N°3.4, p. 5-18, septiembre, 2019
Análisis Estadístico
Para la validación de resultados se empleó la prueba T-Student para medidas de dos
muestras emparejadas considerando un nivel de confianza del 5%, para aplicar dicha
prueba se consideran valores normalizados. La tabla 1, muestra los datos empleados para
el estadístico.

Tabla 1. Valores Normalizados de las Áreas

Área Automática Área Manual
10,88413 10,75945
13,49088 13,43656
11,98616 11,91382
10,95777 10,83876
8,270397 8,238373
11,16667 11,1962
9,809413 9,708166
10,1793 10,08641
Fuente: T-Student Test

Los resultados estadísticos se muestran en la Tabla2.

Tabla 2. Valores Estadísticos Prueba T-Student.

Parámetro Área Automática Área Manual
Media 10,84309 10,77222
Varianza 2,366397 2,372746
Observaciones 8 8
Coeficientes de correlación de Pearson 0,999444
Diferencia hipotética de las medias 0
Grados de libertad 7
Estadístico t 3,900947
P(T<=t) una cola 0,002946

Fuente: T-Student Test

Discusión
El trabajo desarrollado muestra la implementación de un sistema que, en base al
procesamiento de imágenes satelitales, permite el determinar el área de regiones que el
usuario elige de acuerdo a sus necesidades. Para realizar el procesamiento, se aplicaron varias
operaciones sobre la imagen tratada: descomposición de matrices de la imagen, selección del
área de interés, discriminación de elementos no relevantes al caso de estudio y la aplicación
de dos métodos de binarización con el fin de calcular el área de la región seleccionada.

Con la finalidad de mejorar los resultados al calcular el valor del área de interés, se utilizaron
y compararon dos métodos para encontrar el valor óptimo de umbralización que permita

Desarrollo & Crecimiento (Volumen Especial) Página 44

 ISSN: 2602-8085
www.cienciadigital.org Vol. 3, N°3.4, p. 5-18, septiembre, 2019
segmentar y binarizar la imagen: el método Otsu que proporciona el umbral óptimo para la
segmentación de la imagen, bajo el criterio de máxima varianza entre fondo y objeto y un
método manual que implementa un método de tunning para la selección del valor del umbral.
Los resultados permitieron determinar que mientras el método Otsu no discrimina zonas
aisladas de la imagen y las considera como parte de la zona de interés sobre la cual se realizará
el cálculo del área, el proceso de tunning manual para hallar el umbral de la imagen
discrimina aquellas zonas aisladas que no pertenecen al área mejorando el cálculo del área
de interés. Adicionalmente, se implementó una GUIDE en Maltab que permite ver la imagen
cada vez que el proceso de tunning manual modifica el valor de la imagen a procesar.

A continuación, la tabla 3, muestra el resultado de la aplicación de ambos métodos

(automático y manual) sobre otras imágenes con similares características a las mostradas en
las secciones anteriores. Pese a que la variación del valor del umbral entre ambos métodos
está en el orden de pocas décimas, de los casos de estudio analizados, se puede concluir que
el método de tunning manual permite encontrar un valor más preciso del área de interés
debido a que no se consideran regiones aisladas.

Tabla 3. Valores Obtenidos de Diversas Imágenes de Lagos.

Imagen Descripción Valor Valor Área Otsu(m2) Área

Otsu Manual Manual(m2)
Imagen 1 Lago Mar de Aral 0.3294 0.25 53323.6 47073.0
Imagen 2 Lago Mar de Aral 0.2863 0.24 722794.0 684578.0
Imagen 3 Lago Poopó 0.4863 0.45 160517.0 149316.0
Imagen 4 Lago Vietma 0.4627 0.36 57398.4 50958.4
Imagen 5 Lago Pellegrini 0.3882 0.37 3906.5 3783.38
Imagen 6 Lago Musters-Rio Chubut 0.3412 0.45 70733.5 72853.0
Imagen 7 Lago Colhue 0.3490 0.27 18204.3 16451.4
Imagen 8 Lago Argentino 0.4431 0.35 26352.1 24014.5

Fuente: Autores
Conclusiones
• Mediante la implementación de algoritmos y técnicas de procesamiento de imágenes
se elaboró una aplicación grafica de fácil uso e interpretación de datos, que permite
el procesamiento de imágenes satelitales mediante la modificación de parámetros
(umbral, filtros espaciales) para discriminar e identificar formas y áreas de interés
que contienen recursos hídricos.

Desarrollo & Crecimiento (Volumen Especial) Página 45

 ISSN: 2602-8085
www.cienciadigital.org Vol. 3, N°3.4, p. 5-18, septiembre, 2019
• Se determinó que la técnica de procesamiento visual de imágenes basadas en la
selección manual del umbral genera mejores resultados, pues logra delimitar el área
de estudio de mejor manera eliminando en su mayoría pixeles aislados, es decir,
pixeles que no forman parte de los recursos hídricos encontrados, dejando de esa
manera solo los pixeles que corresponden al elemento en análisis, por lo cual el
cálculo del área es específico al área de estudio.

• El método automático de umbralización posee un funcionamiento óptimo en el

cálculo del valor de umbralización, pero no es ideal para la aplicación desarrollada,
pues este método considera pixeles aislados que según criterio de los observadores
no forman parte de las imágenes en estudio, lo que altera de forma considerable en
el cálculo del área del elemento analizado.

• La variación en la diferencia del área calculada en la aplicación se evidencia por la

cantidad de pixeles que conforman las imágenes procesadas. Estadísticamente se
empleó la prueba T-Student para medidas de dos muestras emparejadas considerando
un nivel de confianza del 5%, al aplicar la prueba se obtuvo una probabilidad 0,0059
que es menor al nivel de significancia, lo que nos permite concluir las medias de las
áreas obtenidas por los dos métodos son diferentes. Por, los resultados estadísticos
se concluyen que el método de umbralización manual es el más eficiente.

• Según el criterio del equipo, se desarrolla un mejor procesamiento digital de

imágenes satelitales mediante la umbralización manual, pues según el criterio de los
usuarios del sistema se pueden aumentar o disminuir la cantidad de información
presente en la captura satelital, de esa manera, se puede seccionar de mejor forma el
elemento en estudio.

Referencias Bibliográficas
Affairs, T. U. (12 de Noviembre de 2016). (UNOOSA. Obtenido de Access to Space4All:
http://www.unoosa.org/oosa/index.html

Andy. (Agosto de 2018). Pixalytics. Obtenido de How many satellites are orbiting the Earth in
2018?: https://www.pixalytics.com/sats-orbiting-the-earth-2018/

Barragán, D. (15 de Enero de 2017). Manual de Interfaz Gráfica de Usuario en Matlab. Obtenido de
Matlab:

Desarrollo & Crecimiento (Volumen Especial) Página 46

 ISSN: 2602-8085
www.cienciadigital.org Vol. 3, N°3.4, p. 5-18, septiembre, 2019
https://www.dspace.espol.edu.ec/bitstream/123456789/10740/19/%255Bmatlab%255D_
MATLAB_GUIDE.pdf

Copernicus, T. (2018). Europe´s eyes of Earth. Obtenido de Copernicus:

https://www.copernicus.eu/en

Díaz, I. (2016). Memorias de la Décima Quinta Conferencia Iberoamericana en Sistemas,

Cibernética e Informática (CISCI 2016). Obtenido de Selección Automática de Umbrales
para la Segmentación de Tumores Cerebrales en:
http://www.iiis.org/CDs2016/CD2016Summer/papers/CA040RP.pdf

EESA. (Septiembre de 2019). Copernicus. Obtenido de Observing the Earth:

http://www.esa.int/Our_Activities/Observing_the_Earth/Copernicus

EUMETSAT. (12 de Marzo de 2018). Obtenido de COPERNICUS ONLINE DATA ACCESS:

https://www.eumetsat.int/website/home/Data/DataDelivery/CopernicusOnlineDataAcces
s/index.html

Fresno, M. d. (2012). UN MÉTODO DE SEGMENTACIÓN DE IMÁGENES DIGITALES. Obtenido de UN

MÉTODO DE SEGMENTACIÓN DE IMÁGENES DIGITALES:
https://pdfs.semanticscholar.org/10bd/44ffd42b93b7757ad05c35588e8598cf5633.pdf

García, I. (2018). SCRIBD. Obtenido de Vision Artificial y Procesamiento Digital de Imagenes

Usando Matlab.

González, F. (Enero de 2017). Tutorial de Teledeteccion Espacial. Obtenido de TELECAN:

https://www.grss-ieee.org/wp-content/uploads/2014/07/ES_TUTORIAL_COMPLETO.pdf

Madrid, U. P. (Junio de 2015). Prácticas de Segmentación de las imágenes. Obtenido de

DEPARTAMENTO DE ELECTRÓNICA,:
http://www.elai.upm.es/webantigua/spain/Asignaturas/Robotica/PracticasROVA/prROVA
5Segmentacion.pdf

Manna, A. (Abril de 2016). Introduccion al Procesamientode Imagenes con Matlab 1 parte .

Obtenido de Introduccion al Procesamientode Imagenes con Matlab:
https://es.slideshare.net/FLliuya/introduccion-al-procesamiento-de-imagenes-con-matlab

Nations, U. (17 de Mayo de 2018). Office for Outer Space Affairs. Obtenido de Report of the Inter-
Agency Meeting on Outer Space Activities (UN-Space) on its thirty-seventh session:
http://www.unoosa.org/oosa/oosadoc/data/documents/2018/aac.105/aac.1051143_0.ht
ml

Ruescas, A. (Enero de 2009). Research Gate. Obtenido de La formación del campo térmico marino
en la cuenca occidental del Mediterráneo:
https://www.researchgate.net/publication/241775231_La_formacion_del_campo_termic
o_marino_en_la_cuenca_occidental_del_Mediterraneo

Desarrollo & Crecimiento (Volumen Especial) Página 47

 ISSN: 2602-8085
www.cienciadigital.org Vol. 3, N°3.4, p. 5-18, septiembre, 2019
Unipython. (5 de Abril de 2018). Umbralización Adaptativa. Obtenido de UMBRALIZACIÓN DE UNA
IMAGEN: https://unipython.com/umbralizacion-una-imagen/

Vara, F. (2016). Enseñando Optica Coherente usando Matlab GUIDE. Obtenido de Universidad
Politecnica de Valencia.:
https://www.researchgate.net/publication/305026943_Ensenando_Optica_Coherente_us
ando_Matlab_GUIDE

PARA CITAR EL ARTÍCULO INDEXADO.

Tinajero León, J., Lozada Yánez, P., Zabala Haro, M., & Jiménez Granizo, C. (2019). Sistema de
Procesamiento Digital de Imágenes Satelitales para Cálculo de Áreas de Interés. Ciencia Digital,
3(3.4.), 29-48. https://doi.org/10.33262/cienciadigital.v3i3.4.832

El artículo que se publica es de exclusiva responsabilidad de los autores y no necesariamente

reflejan el pensamiento de la Revista Ciencia Digital.

El artículo queda en propiedad de la revista y, por tanto, su publicación parcial y/o total en
otro medio tiene que ser autorizado por el director de la Revista Ciencia Digital.

Desarrollo & Crecimiento (Volumen Especial) Página 48