Uso da análise discriminante regularizada (RDA) no reconhecimento de padrões em imagens digitais hiperespectral de sensoriamento remoto

Em cenas naturais, ocorrem com certa freqüência classes espectralmente muito similares, isto é, os vetores média são muito próximos. Em situações como esta, dados de baixa dimensionalidade (LandSat-TM, Spot) não permitem uma classificação acurada da cena. Por outro lado, sabe-se que dados em alta dimensionalidade [FUK 90] tornam possível a separação destas classes, desde que as matrizes covariância sejam suficientemente distintas. Neste caso, o problema de natureza prática que surge é o da estimação dos parâmetros que caracterizam a distribuição de cada classe. Na medida em que a dimensionalidade dos dados cresce, aumenta o número de parâmetros a serem estimados, especialmente na matriz covariância. Contudo, é sabido que, no mundo real, a quantidade de amostras de treinamento disponíveis, é freqüentemente muito limitada, ocasionando problemas na estimação dos parâmetros necessários ao classificador, degradando portanto a acurácia do processo de classificação, na medida em que a dimensionalidade dos dados aumenta. O Efeito de Hughes, como é chamado este fenômeno, já é bem conhecido no meio científico, e estudos vêm sendo realizados com o objetivo de mitigar este efeito. Entre as alternativas propostas com a finalidade de mitigar o Efeito de Hughes, encontram-se as técnicas de regularização da matriz covariância. Deste modo, técnicas de regularização para a estimação da matriz covariância das classes, tornam-se um tópico interessante de estudo, bem como o comportamento destas técnicas em ambientes de dados de imagens digitais de alta dimensionalidade em sensoriamento remoto, como por exemplo, os dados fornecidos pelo sensor AVIRIS. Neste estudo, é feita uma contextualização em sensoriamento remoto, descrito o sistema sensor AVIRIS, os princípios da análise discriminante linear (LDA), quadrática (QDA) e regularizada (RDA) são apresentados, bem como os experimentos práticos dos métodos, usando dados reais do sensor. Os resultados mostram que, com um número limitado de amostras de treinamento, as técnicas de regularização da matriz covariância foram eficientes em reduzir o Efeito de Hughes. Quanto à acurácia, em alguns casos o modelo quadrático continua sendo o melhor, apesar do Efeito de Hughes, e em outros casos o método de regularização é superior, além de suavizar este efeito. Esta dissertação está organizada da seguinte maneira: No primeiro capítulo é feita uma introdução aos temas: sensoriamento remoto (radiação eletromagnética, espectro eletromagnético, bandas espectrais, assinatura espectral), são também descritos os conceitos, funcionamento do sensor hiperespectral AVIRIS, e os conceitos básicos de reconhecimento de padrões e da abordagem estatística. No segundo capítulo, é feita uma revisão bibliográfica sobre os problemas associados à dimensionalidade dos dados, à descrição das técnicas paramétricas citadas anteriormente, aos métodos de QDA, LDA e RDA, e testes realizados com outros tipos de dados e seus resultados.O terceiro capítulo versa sobre a metodologia que será utilizada nos dados hiperespectrais disponíveis. O quarto capítulo apresenta os testes e experimentos da Análise Discriminante Regularizada (RDA) em imagens hiperespectrais obtidos pelo sensor AVIRIS. No quinto capítulo são apresentados as conclusões e análise final. A contribuição científica deste estudo, relaciona-se à utilização de métodos de regularização da matriz covariância, originalmente propostos por Friedman [FRI 89] para classificação de dados em alta dimensionalidade (dados sintéticos, dados de enologia), para o caso especifico de dados de sensoriamento remoto em alta dimensionalidade (imagens hiperespectrais). A conclusão principal desta dissertação é que o método RDA é útil no processo de classificação de imagens com dados em alta dimensionalidade e classes com características espectrais muito próximas.

Análise digital de imagem e estereologia da angiogênese em adenomas e no adenocarcinoma colorretal invasivo de submucosa

A angiogênese é essencial no desenvolvimento neoplásico, associando-se às metástases à distância e recorrência em diversas neoplasias malignas. Em carcinomas colorretais, os parâmetros da análise digital de imagem e estereologia da angiogênese foram pouco estudados. Objetivo: avaliar parâmetros tridimensionais e a quantificação microvascular bidimensional nas diferentes apresentações morfológicas dos adenomas colorretais e no adenocarcinoma colorretal restrito à submucosa, a fim de determinar o papel da angiogênese nas diferentes etapas da seqüência adenoma-carcinoma e sua relação com as diferentes apresentações das lesões precursoras do carcinoma colorretal. Material e métodos: foi realizado estudo histórico de delineamento transversal, incluindo 115 lesões neoplásicas colorretais, ressecadas endoscópica ou cirurgicamente no período de 1997 a 2001, obtidas de pacientes do Hospital de Clínicas de Porto Alegre e da Fundação Universitária de Gastroenterologia (FUGAST). Para análise da angiogênese foram utilizadas as técnicas de imuno-histoquímica, análise digital de imagem, quantificação microvascular e estereologia. Os resultados foram apresentados como mediana e intervalos interquartis. Resultados: a quantificação microvascular foi progressivamente mais elevada nas lesões polipóides com displasia de alto grau comparadas às de baixo grau. Quanto maior o grau de atipia observado, maior foi o número de microvasos (regressão linear, P < 0,05). O volume e extensão microvascular foram diferentes entre as fases evolutivas da neoplasia colorretal, resultando em aumento no volume 728 (416 - 1408) versus 178 (93 - 601) e extensão microvascular 242,4 (131,1 - 936,8) vs 24,0 (6,5 - 142,2) (P < 0,001) nas lesões polipóides com displasia de alto grau comparadas às de baixo grau, respectivamente. A quantificação microvascular foi progressivamente mais elevada, acompanhando a progressão neoplásica polipóide: displasia de baixo grau 41,8 (15,8 - 71,9), displasia de alto grau 60,0 (23,0 - 95,6) e carcinoma de submucosa 76,0 (37,5 - 132,6) (P < 0,001). Concomitante, o volume 956 (436 - 2188) vs 178 (93 - 601) e a extensão microvascular 534,6 (146,7 - 1262) vs 24,0 (6,5 - 142,2) foram mais elevados nos adenocarcinomas colorretais restritos à submucosa em relação às lesões polipóides com displasia de baixo grau, respectivamente (P < 0,001). Não foi encontrada diferença estatisticamente significativa na angiogênese entre os adenomas polipóides e não-polipóides através da quantificação 41,8 (15,8 - 71,9) vs 22 (16 - 40) e estimativa da extensão microvascular 24 (6,5-142,2) vs 17,5 (4,4-54,7), respectivamente. Conclusão: a utilização da análise digital de imagem e estereologia acrescentou maior objetividade e eficácia na metodologia de avaliação angiogênica, pois permitiu a precisa segmentação das áreas hipervasculares, a representação da morfologia tridimensional característica do suprimento vascular e a identificação de diferenças na microvascularização nas etapas evolutivas do câncer colorretal.

Integração de dados geológicos, de sensoriamento remoto, espectrorradiométricos e geofísica aplicada à prospecção de depósitos filoneanos de fluorita hidrotermal no sudeste de Santa Catarina

Os processamentos de imagens orbitais efetuados através de técnicas de sensoriamento remoto geraram informações qualitativas de natureza textural (morfo-estruturas). Estas permitiram (1) o reconhecimento de áreas com diferentes padrões estruturais tendo diferentes potencialidades para a prospecção de fluorita, (2) a identificação de novos lineamentos estruturais potencialmente favoráveis à mineralização e (3) evidenciaram prolongamentos extensos para as principais estruturas mineralizadas, (4) às quais se associam um grande número de estruturas, antes desconhecidas, com grande potencial prospectivo. O aprimoramento de técnicas de classificação digital sobre produtos de razões de bandas e análise por componentes principais permitiu identificar a alteração hidrotermal associada às estruturas, incorporando novos critérios para a prospecção de fluorita. Buscando-se quantificar os dados de alteração hidrotermal, foi efetuada a análise espectrorradiométrica das rochas do distrito fluorítico. Integrando estas informações com dados TM LANDSAT 5, em nível de reflectância, obteve-se a classificação espectral das imagens orbitais, o que permitiu a identificação de estruturas menores com um detalhe nunca antes obtido. Os processamentos de dados aerogeofísicos forneceram resultados sobre estruturas (magnetometria) e corpos graníticos afetados por alteração hidrotermal (aerogamaespectrometria). Estes produtos foram integrados com dados TM LANDSAT 5 associando o atributo textural da imagem orbital ao comportamento radiométrico das rochas. Diagnosticou-se o lineamento Grão-Pará como o principal prospecto do distrito. E levantaram-se uma série de dados sobre a compartimentação tectônica da região, a zonação de fácies das rochas graníticas (rocha fonte do flúor) e as alterações hidrotermais associadas ao magmatismo granítico. Isto permitiu a compreensão da distribuição regional dos depósitos de fluorita, adicionando-se um novo critério à prospecção de fluorita, a relação espacial entre a mineralização e a rocha fonte de F. Esta última corresponde à fácies granítica da borda do Maciço Pedras Grandes.

Texturas de imagens utilizando conceitos de morfologia matemática

A textura é um atributo ainda pouco utilizado no reconhecimento automático de cenas naturais em sensoriamento remoto, já que ela advém da sensação visual causada pelas variações tonais existentes em uma determinada região da imagem, tornando difícil a sua quantificação. A morfologia matemática, através de operações como erosão, dilatação e abertura, permite decompor uma imagem em elementos fundamentais, as primitivas texturais. As primitivas texturais apresentam diversas dimensões, sendo possível associar um conjunto de primitivas com dimensões semelhantes, em uma determinada classe textural. O processo de classificação textural quantifica as primitivas texturais, extrai as distribuições das dimensões das mesmas e separa as diferentes distribuições por meio de um classificador de máxima-verossimilhança gaussiana. O resultado final é uma imagem temática na qual cada tema representa uma das texturas existentes na imagem original.