• Composiciones RGB
  Cada banda representa niveles de intensidad (ND) dentro de una banda concreta (azul, verde, rojo, infrarrojo cercano, térmico, etc.), pero los dispositivos con los que trabajamos para poder visualizar las imágenes, monitores y tarjetas gráficas, solo pueden representar los colores a partir de tres tonos básicos: el rojo, el verde y el azul (Red, Green, Blue: RGB).

• Cocientes de bandas
  Se utiliza el cociente de bandas para poder resaltar los elementos que presentan mayor reflectividad.

• Transformación MNF
  Determina la dimensionalidad de la imagen, segrega el ruido de los datos y reduce los requerimientos de hardware inherentes al proceso (Green et al., 1988; Boardman y Kruse, 1994).
  Asimismo determina la coherencia espacial en las eigenimages (imágenes propias) y define el cut-off entre la "señal" y "ruido", permitiendo realizar análisis específicos y precisos.
  Dos de estos resultados las imágenes MNF1 y MNF6 de esta transformación se muestran en la Imagen.

La transformación MNF modificado de Green et al. (1988) y aplicado en ENVI, es una transformación lineal que se compone de las siguientes rotaciones por separado de análisis de componentes principales:

• La primera rotación utiliza los componentes principales de la covarianza del ruido de la matriz de decorrelaciona y reescala el ruido en los datos (un proceso conocido como blanqueamiento de ruido), lo que transforma los datos en los que el ruido tiene variación de la unidad y no hay correlaciones de banda a banda.
• La segunda rotación utiliza los componentes principales derivadas de los datos de la imagen original después de haber sido blanqueado por el ruido-la primera rotación y redimensionado por la desviación estándar del ruido. La dimensionalidad inherente de los datos se determina mediante el examen de los valores propios final y las imágenes asociadas. Se puede dividir el espacio de datos en dos partes: una parte vinculada a los valores propios y grandes eigenimages coherente, y una parte complementaria con valores propios cercanos a la unidad y las imágenes dominada ruido. Utilizando sólo las porciones coherente separa el ruido de los datos, mejorando así los resultados del tratamiento espectral.

• ¿Clasificación SAM (Spectral Angle Mapper):
  Este algoritmo, mide la similitud entre un espectro desconocido t, con uno referencial r, en n-dimensiones. Estos espectros son tratados como vectores en n-espacios y el ángulo que forman se denomina "ángulo espectral". Este valor en radianes es asignado al píxel correspondiente en la imagen resultante SAM, es una clasificación supervisada en la que cada color de la imagen representa un tipo de material seleccionado.

• Desmezcla Lineal del Espectro (Linear SpectralUnmixing)
  Los píxeles de una imagen, representan áreas de uno a varios metros cuadrados. Estos píxeles, generalmente están compuestos de ensambles de materiales; los píxeles puros son muy raros (Boardman). El espectro mixto recibido por la mayoría de los sensores es una combinación lineal de los espectros "puros" o "extremos", y sus pesos en la combinación lineal dependen de la fracción de área que ocupan. Los píxeles mixtos, pueden analizarse usando un modelo matemático donde el espectro observado es el resultado de la suma de los productos entre el espectro puro del material "extremo" por el porcentaje de abundancia correspondiente. La Figura 3 ilustra lo descrito anteriormente. El resultado de este proceso, es una serie de imágenes en tono de grises, uno por cada material seleccionado y una imagen que representa el error medio cuadrático, denominada imagen RMS. Los valores extremos y la pureza del material están en función directa con la luminosidad y las tonalidades de grises a blanco. Es decir a mayor luminosidad y blancura corresponde un material más puro.

• Afinamiento de la Filtración Emparejada (Mixture TunedMatchedFiltering = MTMF)
  Es un filtro que permite discriminar con mayor eficacia los valores "extremos", reduciendo el número de" positivos falsos" que a veces se calculan al usar la filtración emparejada.

• Modelos Digitales de Terreno y vistas 3D:
  En geología son usados para evaluar las características geomorfológicas del terreno tanto en superficie así como con respecto a los procesos geológicos que se desarrollan en el subsuelo.
  La tecnología satelital tanto óptica como radar, en la actualidad permite obtener Modelos de Elevación del Terreno de gran precisión. A partir de estos modelos es posible generar:
  • Modelos de sombra o imagen de pseudo relieve, mediante la creación de iluminación artificial en la que el usuario puede configurar los parámetros de iluminación de la luz artificial (azimut y elevación).
  • Estos modelos permiten además crear vistas 3D en perspectiva, del terreno para poder hacer una mejor interpretación superponiendo otras capas de información como la geología, litología, etc.