( PDF ) Segmentação e classificação de imagens sar aplicadas à detecção de alvos escuros em áreas oceânicas de exploração e produção de petróleo

Download PDF

ads:

SEGMENTAÇÃO E CLASSIFICAÇÃO DE IMAGENS SAR APLICADAS À

DETECÇÃO DE ALVOS ESCUROS EM ÁREAS OCEÂNICAS DE

EXPLORAÇÃO E PRODUÇÃO DE PETRÓLEO

Patrícia Carneiro Genovez

Tese de Doutorado apresentada ao Programa

de Pós-Graduação em Engenharia Civil,

COPPE, da Universidade Federal do Rio de

Janeiro, como parte dos requisitos necessários

à obtenção do título de Doutor em Engenharia

Civil.

Orientadores: Nelson Francisco Favilla Ebecken

Corina da Costa Freitas

Rio de Janeiro

Março de 2010

COPPE

ads:

Livros Grátis

http://www.livrosgratis.com.br

Milhares de livros grátis para download.

SEGMENTAÇÃO E CLASSIFICAÇÃO DE IMAGENS SAR APLICADAS À

DETECÇÃO DE ALVOS ESCUROS EM ÁREAS OCEÂNICAS DE

EXPLORAÇÃO E PRODUÇÃO DE PETRÓLEO

PATRÍCIA CARNEIRO GENOVEZ

TESE SUBMETIDA AO CORPO DOCENTE DO INSTITUTO ALBERTO LUIZ

COIMBRA DE PÓS-GRADUAÇÃO E PESQUISA DE ENGENHARIA (COPPE)

DA UNIVERSIDADE FEDERAL DO RIO DE JANEIRO COMO PARTE DOS

REQUISITOS NECESSÁRIOS PARA A OBTENÇÃO DO GRAU DE DOUTOR

EM CIÊNCIAS EM ENGENHARIA CIVIL.

EXAMINADA POR:

_______________________________________________

Prof. Nelson Francisco Favilla Ebecken, D.Sc.

_______________________________________________

Profª. Corina da Costa Freitas, Ph.D.

_______________________________________________

Profª. Cristina Maria Bentz, D.Sc.

_______________________________________________

Prof. Fernando Pellon de Miranda, D.Sc.

_______________________________________________

Prof. Luiz Landau, D.Sc.

RIO DE JANEIRO, RJ - BRASIL

MARÇO DE 2010

ads:

iii

Genovez, Patrícia Carneiro

Segmentação e Classificação de Imagens SAR

Aplicadas à Detecção de Alvos Escuros em Áreas

Oceânicas de Exploração e Produção de Petróleo/ Patrícia

Carneiro Genovez - Rio de Janeiro: UFRJ/COPPE, 2010.

XVIII, 235p.: il.; 29,7 cm.

Orientadores: Nelson Francisco Favilla Ebecken

Corina da Costa Freitas

Tese (doutorado) - UFRJ/ COPPE/ Programa de

Engenharia Civil, 2010.

Referências Bibliográficas: p. 179-195.

1. Detecção de Alvos Escuros. 2. Detecção de Óleo e

Ocorrências Ambientais. 3. Exploração e Produção de

Petróleo. 4. Imagens de Radares Orbitais. .5.

Segmentação e Clusterização Automática. 6. Sistema

Híbrido Inteligente. 7. Áreas Oceânicas. I. Ebecken,

Nelson Francisco Favilla et al.. II. Universidade Federal do

Rio de Janeiro, COPPE, Programa de Engenharia Civil. III.

Título.

Dedico este trabalho aos meus pais

Wlademar Genovez e

Neuza Carneiro Genovez

AGRADECIMENTOS

Ao orientador Dr. Nelson Ebecken pela oportunidade concedida, pela orientação e incentivo

dedicados ao longo do desenvolvimento deste trabalho, sempre encorajando e propondo

soluções valiosas para a concretização da pesquisa.

À orientadora Dra Corina da Costa Freitas pela especial amizade e compreensão, destacando

a orientação dedicada mesclada de valiosas sugestões e questionamentos que foram

essenciais para lapidar a pesquisa realizada.

À Cristina Bentz pela amizade que construímos durante anos de trabalho, ao longo dos quais

foi possível idealizar o escopo desta pesquisa. Em especial agradeço pela sua orientação

informal repleta de diálogos extremamente enriquecedores, os quais despertaram meu

profundo interesse pelo tema estudado e, sem os quais, esta pesquisa não teria sido realizada.

Ao amigo Josemá Oliveira de Barros, que desde o início incentivou e acreditou neste trabalho,

fornecendo contribuições significativas para a pesquisa desenvolvida, através de sua ampla

experiência operacional.

À toda equipe do Controle de Contingência da PETROBRAS, pelo valioso aprendizado e pela

amizade que construímos ao longo de 6 anos de “monitoramento orbital” (2003-2009), através

dos quais pude iniciar minha trajetória ao longo deste amplo cenário que envolve a detecção

automática de óleo e ocorrências ambientais em imagens SAR.

À empresa Sampling pelo apoio e coleguismo presentes, sempre que necessário, no

desenvolvimento desta pesquisa, agradeço em especial aos colegas Antonio Francisco Corno,

Fábio Gomes de Azevedo e José Maria Ferreira de Oliveira Barroco.

À UFRJ/COPPE pela oportunidade concedida de cursar o doutorado vinculado ao programa de

Engenharia Civil: Áreas Interdisciplinares, representando um marco em minha formação

profissional e acadêmica.

À PETROBRAS por todo apoio concedido, fornecendo dados, softwares, infra-estrutura e,

principalmente o incentivo para o desenvolvimento desta pesquisa.

Aos queridos colegas do INPE meus agradecimentos pela sincera amizade e pelo pronto apoio

nos momentos de dúvidas e incertezas, em especial aos colegas: Luciano V. Dutra, Sidnei

João S. Sant`Anna, Graziela Scoefield, João A. Lorenzetti, Guaracy J. Erthal, Leonardo

Sant`Anna Bins, Camilo D. Rennó, Fábio Furlan, José C. Mura, Cláudia Almeida, António

Miguel V. Monteiro, Valdete Duarte, Paulo Roberto Martini, Hellen Borges, Maurício A. Moreira,

Joaquim Filho e todos os que de alguma forma auxiliaram.

Aos colegas do Serviço Florestal Brasileiro que auxiliaram e apoiaram a finalização do trabalho

em especial: Ekena Pinagé, Igor Parreira, Ricardo Vilar, Anna Fanzeres, Ivã Dornellas,

Mauricio Vianna (Vulgo Maléfico), Dulce V. Amaral e Maria Alice C. Tocantins.

À querida amiga Neuza Ferreira, meus profundos e sinceros agradecimentos, por todos os

momentos especiais que vivemos juntas, sempre me encorajando nos momentos mais difíceis,

os quais não teria superado sem a sua amizade. Tudo o que aprendi e vivenciei ao seu lado

guardarei com muito zelo.

À minha querida irmã Sarita Carneiro Genovez e ao meu cunhado José Donizeti Costa Junior

pelo carinho e amizade, sempre acreditando em meu trabalho e em meus sonhos. Aos meus

irmãos Leonardo Carneiro Genovez e Walter Carneiro Genovez e as minhas cunhadas Mariana

Genovez e Simone Genovez, agradeço pelo apoio e incentivo, me encorajando a enfrentar os

desafios.

Ao Ramon Morais de Freitas minha especial gratidão pela sua dedicação e apoio, estando ao

meu lado nos momentos mais difíceis da tese, dialogando e sugerindo soluções. Em especial

agradeço pelo carinho e pelo amor cultivados, sem os quais seria difícil prosseguir.

vii

Resumo da Tese apresentada à COPPE/UFRJ como parte dos requisitos

necessários para a obtenção do grau de Doutor em Ciências (D.Sc.)

SEGMENTAÇÃO E CLASSIFICAÇÃO DE IMAGENS SAR APLICADAS À

DETECÇÃO DE ALVOS ESCUROS EM ÁREAS OCEÂNICAS DE

EXPLORAÇÃO E PRODUÇÃO DE PETRÓLEO

Patrícia Carneiro Genovez

Março/2010

Orientadores: Nelson Francisco Favilla Ebecken

Corina da Costa Freitas

Programa: Engenharia Civil

Sistemas para detecção automática de vazamentos de óleo têm sido

desenvolvidos para auxiliar a interpretação das imagens SAR, sendo compostos por 4

etapas: a) pré-processamento; b) detecção de alvos escuros; c) cálculo de atributos, e;

d) classificação dos alvos em óleo ou assemelhados. A detecção dos alvos escuros é

a principal etapa, sem a geometria dos alvos não há como classificá-los em óleo ou

assemelhados. Neste contexto, o desenvolvimento de um procedimento automático

para a detecção de alvos escuros em imagens SAR, integrando técnicas de

segmentação de imagens e de reconhecimento de padrões constitui o objetivo

proposto. Os procedimentos envolveram as seguintes etapas: a) definição do

espaçamento de pixel e do filtro para o pré-processamento; c) partição das imagens

em regiões utilizando técnicas de segmentação por crescimento de regiões; d) cálculo,

análise exploratória e seleção de atributos; e) detecção de alvos escuros utilizando

clusterização de dados, e; f) validação do método proposto. Embora o método

proposto tenha detectado alvos escuros com diferentes níveis de complexidade em

diferentes recortes de cena, não obteve resultados satisfatórios em todos os exemplos

estudados. Como ainda não há um consenso sobre a utilização operacional de

métodos plenamente automáticos, a elaboração de um sistema híbrido inteligente

capaz de indicar através de regras de decisão as imagens aptas para o

processamento automático ou semi-automático foi proposta. Os resultados

evidenciaram o potencial destas regras para auxiliar no processo de automatização,

sendo necessárias mais amostras para retornar regras mais robustas aplicáveis a toda

nova imagem SAR adquirida.

viii

Abstract of Thesis presented to COPPE/UFRJ as a partial fulfillment of the

requirements for the degree of Doctor of Science (D.Sc.)

SAR IMAGE CLASSIFICATION AND SEGMENTATION FOR DARK SPOT

DETECTION IN OCEANIC PETROLEUM EXPLORATION

AND PRODUCTION AREAS

Patrícia Carneiro Genovez

March/2010

Advisors: Nelson Francisco Favilla Ebecken

Corina da Costa Freitas

Department: Civil Engineering

Automatic oil detection systems have been developed to improve SAR image

interpretation, composed of four principal stages: a) image pre-processing; b) dark spot

detection; c) feature extraction, and; d) oil and look-alike classification. The dark spot

detection is considered the main step in the processing chain: without the geometry of

the spots, the oil and look-alikes classification is unfeasible. In this context, this work

aimed to develop an automatic classification procedure able to detect dark spots in

SAR images, by the integration of segmentation and pattern recognition techniques.

The proposed methodology were organized in six stages as follow: a) images subset

selection; b) pixel spacing and filter definition; c) image partition into proper regions

using region growing segmentation techniques; d) features extraction, exploratory

analyses and feature selection; e) dark spot detection using data clustering, and; f)

validation of the proposed method. In spite of the proposed method had been able to

detect dark spots with different complexity levels in different image subsets, it didn’t

achieve good results for all analyzed examples. Considering that in the scientific

community there isn’t a wide agreement about the operational use of fully automatic

methods, the development of an intelligent hybrid system, including decision rules able

to conduct the images for one automatic or semi-automatic processing, was an

interesting approach. The potential of these rules to improve the automation process

was indicated. Nevertheless, more samples to return more robust rules are

recommended in order to be widely applied to all SAR images acquired.

SUMÁRIO

Pág.

RESUMO........................................................................................................................iv

ABSTRACT.....................................................................................................................v

ÍNDICE DE FIGURAS .................................................................................................. ix

ÍNDICE DE TABELAS ................................................................................................ xvi

CAPÍTULO 1 - INTRODUÇÃO .............................................................................. 1

1.1 – Objetivos ........................................................................................................... 5

1.1.1 – Objetivos Específicos .................................................................................. 5

1.2 - Principais Contribuições .................................................................................... 6

1.4 – Organização da Tese ........................................................................................ 7

CAPÍTULO 2 – IMAGEAMENTO SAR EM ÁREAS OCEÂNICAS ..................... 8

2.1 - Fatores de Influência na Detecção de Alvos Escuros em Imagens SAR ......... 11

2.1.1 - O Ruído Speckle ....................................................................................... 14

CAPÍTULO 3 – DETECÇÃO AUTOMÁTICA DE ÓLEO E OCORRÊNCIAS

AMBIENTAIS EM IMAGENS SAR ....................................................................... 16

3.1 – Detecção de Alvos Escuros em Imagens SAR ................................................ 17

3.1.1 – Segmentação de Imagens SAR ............................................................... 30

3.1.1.1 – MultiSeg: Informações Técnicas ......................................................... 30

3.1.1.2 – SPRING: Informações Técnicas ......................................................... 32

3.2 – Clusterização de Dados .................................................................................. 32

3.2.1 – Clustan: Informações Técnicas ................................................................ 36

3.3 – Avaliação dos Resultados obtidos para Detecção de Alvos Escuros em

Imagens SAR ............................................................................................................ 38

3.3.1 – Métricas calculadas no Nível das Regiões ............................................... 40

3.3.1 – Métricas Calculadas no Nível dos Pixels .................................................. 43

CAPÍTULO 4 – METODOLOGIA E RECURSOS UTILIZADOS ....................... 46

4.1 – Etapa 1: Conjunto de Dados – Informações Técnicas e Seleção de Exemplos

.................................................................................................................................. 47

4.2 – Etapa 2: Determinação do Espaçamento de Pixel .......................................... 51

4.3 – Etapa 3: Determinação do Filtro/Janela .......................................................... 52

4.4 – Etapa 4: Determinação do Procedimento de Segmentação ............................ 53

4.5 – Etapa 5: Determinação do Procedimento de Clusterização............................. 55

4.6 – Etapa 6: Validação do Método Proposto ......................................................... 56

CAPÍTULO 5 – RESULTADOS E DISCUSSÕES ............................................... 58

5.1 – Etapa 1: Determinação do Espaçamento de Pixel .......................................... 58

5.1.1 – Determinação dos Parâmetros Adequados para o Software MultiSeg .... 58

5.1.2 – Determinação do Espaçamento de Pixel .................................................. 66

5.2 – Etapa 2: Determinação do Filtro/Janela .......................................................... 70

5.3 – Etapa 3: Determinação do Segmentador ........................................................ 73

5.4 – Etapa 4: Determinação do Método de Clusterização....................................... 89

5.4.1 – Cálculo dos Atributos ............................................................................... 90

5.4.2 – Análise Exploratória e Seleção de Atributos ............................................. 93

5.4.2.1 – Análise de Matriz de Correlação ......................................................... 94

5.4.2.2 – Análise de Componentes Principais ................................................. 101

5.4.2.4 – Seleção de Atributos ........................................................................ 104

5.4.3 – Reconhecimento de Padrões por Clusterização Automática .................. 112

5.4.4 – Comparação entre os Métodos Automático e Semi-automático ............. 139

5.5 – Regra de Decisão e Validação do Modelo Proposto ..................................... 157

CAPÍTULO 6 – CONCLUSÕES E RECOMENDAÇÕES ................................. 167

REFERÊNCIAS BIBLIOGRÁFICAS .................................................................. 179

APÊNDICE I .......................................................................................................... 192

APÊNDICE II ......................................................................................................... 193

APÊNDICE III ........................................................................................................ 194

APÊNDICE IV ........................................................................................................ 206

APÊNDICE V ......................................................................................................... 219

xii

ÍNDICE DE FIGURAS

Pág.

Figura 1.1 – Etapas envolvidas nos algoritmos de detecção automática de óleo e

ocorrências ambientais. ............................................................................................... 3

Figura 1.1 – Etapas envolvidas nos sistemas de detecção automática de óleo e

ocorrências ambientais. ............................................................................................... 3

Figura 2.2 – Tipos de espalhamento produzidos pela interação do pulso emitido pelo

RADAR com os alvos presentes na superfície oceânica, juntamente com os alvos

escuros freqüentemente detectáveis nas imagens. ................................................... 11

Figura 2.3 – Tamanho Relativo dos Comprimentos de Onda na Faixa de Microondas.

.................................................................................................................................. 12

Figura 2.4 - Geometria de imageamento do SAR e o efeito do ângulo de incidência no

near e no far range: Imagem RADARSAT-1. ............................................................. 13

Figura 2.5 – Representação do ruído speckle. ........................................................... 15

Figura 3.1 - Diferentes tipos de processamento efetuados no nível do pixel e das

regiões encontrados na literatura. .............................................................................. 25

Figura 3.2 – Comparação entre o agrupamento efetuado a partir de regiões e de

pixels. ........................................................................................................................ 28

Figura 3.3 – Ilustração das definições referentes a terminologia adota ao longo da

tese. ........................................................................................................................... 39

Figura 3.4 - Esquema de como é efetuado o ajuste de regiões entre as duas imagens:

exemplo focado para no ajuste efetuado para os alvos escuros. ............................... 42

Figura 4.1 – Etapas de processamento envolvidas no sistema de detecção automática

de óleo e ocorrências ambientais............................................................................... 46

Figura 4.2 – Etapas integrantes da metodologia proposta na tese. ............................ 47

Figura 4.3 - Histogramas e box plots para uma mesma imagem no formato CEOS e

MrSid. ........................................................................................................................ 49

Figura 4.4 – Recorte da cena RADARSAT-1 (03/04/2002) utilizada no estudo proposto

.................................................................................................................................. 51

Figura 4.5 – Metodologia adotada para investigar o espaçamento de pixel adequado

para o processamento dos dados RADARSAT no sistema de detecção automático . 52

xiii

Figura 4.6 – Metodologia adotada para investigar o filtro/janela adequado para o

processamento dos dados RADARSAT no sistema de detecção automático. ........... 53

Figura 4.7 - Fluxo de procedimentos metodológicos planejado para investigar a etapa

de segmentação em imagens de SAR. ...................................................................... 54

Figura 4.8 - Fluxo de procedimentos planejado para investigar o método de

clusterização mais adequado a ser utilizado após a segmentação das imagens

SAR. .......................................................................................................................... 56

Figura 5.1 - Resultados obtidos para segmentações realizadas nos modos/formato:

Cartoon/Amplitude, Cartoon/Intensidade e Texture/ Intensidade. .............................. 59

Figura 5.2 – Exemplos de segmentações nos modos Cartoon/Amplitude, e

Cartoon/Intensidade................................................................................................... 60

Figura 5.3 - Resultados obtidos para segmentações realizadas com Nel 2, 3 e 4,

considerando todos os espaçamentos de pixel avaliados. ......................................... 62

Figura 5.4 – Exemplo de box plot calculado para as regiões claras e escuras e método

proposto para o cálculo do Limiar de Similaridade em dB. ......................................... 64

Figura 5.5 – Metodologia padrão proposta para calcular o Limiar de Similaridade. .... 65

5.6 – Resultados obtidos para os diferentes espaçamentos de pixel avaliados. ........ 67

Figura 5.7 – Resultados obtidos para a imagem sem filtro e com filtro Lee 3x3,

Mediana 3x3, Sigma 3x3 e Kuan 3x3. ........................................................................ 71

Figura 5.8 - Recortes de cena utilizados juntamente com os Phantons elaborados

manualmente indicando os alvos escuros de referência. ........................................... 73

Figura 5.9 - Gráficos comparando as métricas calculadas para os segmentadores

MultiSeg e SPRING com e sem a aplicação de filtro.................................................. 78

Figura 5.10 – Efeito da aplicação do Filtro Lee (3X3) no Potencial de Detecção de

Alvos Escuros para os softwares utilizados. .............................................................. 82

Figura 5.11 – Síntese dos resultados obtidos para o agrupamento das segmentações

realizadas nos softwares SPRING e MultiSeg. .......................................................... 84

Figura 5.12 – Resultados do agrupamento das segmentações realizadas para os

diferentes recortes de cena com e sem filtragem para os softwares SPRING e

MultiSeg. .................................................................................................................... 85

Figura 5.13 – Etapas integrantes da metodologia proposta nesta última etapa da

tese. ........................................................................................................................... 90

xiv

Figura 5.14 – Método proposto para a definição do Atributo Classe do Phanton. ...... 92

Figura 5.15 – Atributos e procedimentos utilizados na análise exploratória e seleção de

atributos. .................................................................................................................... 94

Figura 5.16 - Gráficos resultantes da ACP efetuadas para as 11 cenas analisadas. 103

Figura 5.17 - Espacialização dos 10 atributos mais indicados pelo ranking para as 11

cenas estudadas. ..................................................................................................... 108

Figura 5.18 - Metodologia utilizada para a validação do conjunto adequado de

atributos. .................................................................................................................. 113

Figura 5.19 – Influência da utilização simultânea e individual dos atributos de Máximo

e Mínimo na clusterização. ...................................................................................... 114

Figura 5.20 – Propriedades dos atributos de Máximo e Mínimo que influenciam na

clusterização. ........................................................................................................... 117

Figura 5.21 – Gráfico e espacialização das clusterizações realizadas para a Cena

1. ............................................................................................................................. 119

Figura 5.22 – Gráfico e espacialização das clusterizações realizadas para a Cena

2. ............................................................................................................................. 119

Figura 5.23 – Gráfico e espacialização das clusterizações realizadas para a Cena

3. ............................................................................................................................. 120

Figura 5.24 – Gráfico e espacialização das clusterizações realizadas para a Cena

4. ............................................................................................................................. 120

Figura 5.25 – Gráfico e espacialização das clusterizações realizadas para a Cena

5. ............................................................................................................................. 121

Figura 5.26 – Gráfico e espacialização das clusterizações realizadas para a Cena

6. ............................................................................................................................. 121

Figura 5.27 – Gráfico e espacialização das clusterizações realizadas para a Cena

7. ............................................................................................................................. 122

Figura 5.28 – Gráfico e espacialização das clusterizações realizadas para a Cena

8. ............................................................................................................................. 122

Figura 5.29 – Gráfico e espacialização das clusterizações realizadas para a Cena

9. ............................................................................................................................. 123

Figura 5.30 – Gráfico e espacialização das clusterizações realizadas para a Cena

10. ........................................................................................................................... 123

Figura 5.31 – Gráfico e espacialização das clusterizações realizadas para a Cena

11. ........................................................................................................................... 124

Figura 5.32 - Espacialização dos melhores resultados da clusterização considerando o

universo de 9 e 35 atributos ..................................................................................... 129

Figura 5.33 - Sobreposição dos Phantons com os resultados das clusterizações. ... 131

Figura 5.34 - Sobreposição dos Phantons com os resultados das clusterizações. ... 132

Figura 5.35 – Exatidão, Omissão e Inclusão nos resultados obtidos pelas

clusterizações para as 5 cenas consideradas satisfatórias. ..................................... 134

Figura 5.36 - Diferenças encontradas entre os clusters utilizando 4 e 5 atributos para a

cena 11. ................................................................................................................... 137

Figura 5.37 – Resultados obtidos pela utilização de técnicas automáticas e semi-

automáticas na detecção de alvos escuros em imagens SAR. ................................ 141

Figura 5.38 – Resultados obtidos pela utilização de técnicas automáticas e semi-

automáticas na detecção de alvos escuros em imagens SAR. ................................ 145

Figura 5.39 – Ampliação da malha de filamentos provenientes de óleos biogênicos

existentes nas cenas 1, 10 e 11 ............................................................................... 148

Figura 5.40 – Gráfico com os Erros de Omissão, de Inclusão e as ExAE obtidas para

os métodos automático e semi-automáticos em cada recorte de cena. ................... 148

Figura 5.41 – Detalhes da cena 4, ampliando os resultados das clusterizações para os

alvos escuros. .......................................................................................................... 150

Figura 5.42 – Detalhes da cena 5, ampliando os resultados das clusterizações para os

alvos escuros relacionados a baixas intensidades de vento. ................................... 150

Figura 5.43 – Detalhes da cena 5, ampliando os resultados das clusterizações para os

alvos escuros relacionados a óleo. .......................................................................... 151

Figura 5.44 – Detalhes da cena 5, ampliando os resultados das clusterizações para os

alvos escuros relacionados a óleo. .......................................................................... 151

Figura 5.45 - Comparação entre o agrupamento realizado: a) pelo Clustan,

considerando as regiões da segmentação, e; b) pelo K-means tradicional aplicado

diretamente sobre os pixels. .................................................................................... 152

Figura 5.46 – Comparação entre resultados obtidos por diferentes métodos

automáticos de detecção de alvos escuros disponíveis na literatura e os obtidos na

pesquisa desenvolvida. ............................................................................................ 153

xvi

Figura 5.47 – Comparação entre resultados obtidos por diferentes métodos

automáticos de detecção de alvos escuros disponíveis na literatura e os obtidos na

pesquisa desenvolvida. ............................................................................................ 155

Figura 5.48 – Método para criação e validação da regra de decisão para definir o

processamento como automático ou semi-automático. ............................................ 159

Figura 5.49 – Regra de decisão obtida pela ACR para definir o processamento como

automático ou semi-automático. .............................................................................. 160

Figura 5.50 – Recortes de Cena escolhidos para validação do método proposto para a

detecção automática de alvos escuros em imagens SAR. ....................................... 161

Figura 5.51 – Resultados obtidos para validação do método de detecção automática

de alvos escuros proposto na tese. .......................................................................... 162

Figura 5.52 – Dimensões do recorte de cena B, evidenciando o conjunto de pixels nas

regiões escuras delimitadas pela segmentação. ...................................................... 163

Figura 5.53 – Validação da regra de decisão para definir o processamento como

automático ou semi-automático. .............................................................................. 165

ÍNDICE DE TABELAS

Pág.

Tabela 3.1 - Matriz de confusão para o agrupamento das regiões em alvos escuros e

oceano. ...................................................................................................................... 43

Tabela 4.1 - Configuração dos modos de imageamento do satélite RADARSAT-1

adequados ao monitoramento costeiro e oceânico .................................................... 47

Tabela 4.2 - Data das cenas e parâmetros de aquisição das imagens pelo sensor para

os recortes de cena selecionados. ............................................................................. 49

Tabela 4.3 – Características associadas à seleção dos recortes de cena utilizados. . 50

Tabela 5.1 – Métricas utilizadas para avaliação dos diferentes espaçamentos de

pixel ........................................................................................................................... 66

Tabela 5.2 – Métricas utilizadas para avaliação dos diferentes filtros/janela testados.70

Tabela 5.3 – Variáveis calculadas com a amostragem do buffer e LS calculados para

o SPRING e para o MultiSeg, considerando a diferença entre os quartis do box plot. 76

xvii

Tabela 5.4 – Métricas utilizadas para avaliação dos diferentes segmentadores

aplicados nos recortes de cena com e sem filtragem. ................................................ 77

Tabela 5.5 - Síntese dos resultados obtidos para as métricas de avaliação por recorte

de cena estudado após a aplicação do filtro Lee/3X3. ............................................... 81

Tabela 5.6 - Teste de Wilcox efetuado para os resultados obtidos com o segmentador

MultiSeg com e sem filtragem. ................................................................................... 83

Tabela 5.7 - Teste de Wilcox efetuado para os resultados obtidos com o segmentador

SPRING com e sem filtragem. ................................................................................... 83

Tabela 5.8 - Teste de Wilcox efetuado para os resultados obtidos com o segmentador

MultiSeg e SPRING com filtragem. ............................................................................ 88

Tabela 5.9 – Coeficientes de Correlação dos atributos estatísticos em relação ao

Phanton. .................................................................................................................... 95

Tabela 5.10 - Análise Síntese da Matriz de Correlação para as 11 Cenas: Atributos

Estatísticos. ............................................................................................................... 96

Tabela 5.11 – Coeficientes de Correlação dos atributos Geométricos Genéricos e

Poligonais em relação ao Phanton. ............................................................................ 97

Tabela 5.12 - Análise síntese da Matriz de Correlação para as 11 Cenas: Atributos

Geométricos Genéricos e Poligonais ......................................................................... 98

Tabela 5.13 – Coeficientes de Correlação dos atributos Geométricos Skeletons em

relação ao Phanton. ................................................................................................... 98

Tabela 5.14 - Análise síntese da Matriz de Correlação para as 11 Cenas: Atributos

Geométricos Skeletons. ............................................................................................. 99

Tabela 5.15 – Coeficientes de Correlação dos atributos texturais em relação ao

Phanton. .................................................................................................................. 100

Tabela 5.16 - Análise síntese da Matriz de Correlação para as 11 Cenas: Atributos

Texturais. ................................................................................................................. 100

Tabela 5.17 - Síntese do número de componentes necessários em cada cena para

manter pelo menos 90% da representatividade dos dados. ..................................... 104

Tabela 5.18 – Ranking dos 10 atributos mais importantes para cada cena .............. 105

Tabela 5.19 – Ranking dos 10 atributos mais importantes indicados pelo chi-quadrado

do 1º ao 10º lugar. ................................................................................................... 107

xviii

Tabela 5.20 – Exatidão dos Alvos Escuros (ExAE) obtida para as clusterizações

efetuadas, considerando os atributos de máximo e mínimo simultaneamente e

individualmente. ....................................................................................................... 118

Tabela 5.21 - Síntese dos resultados obtidos considerando as clusterizações

efetuadas com os 9 e 35 atributos. .......................................................................... 128

Tabela 5.22 – Índices de ExAE obtidos para as 11 cenas com 4 e 5 atributos. ....... 137

Tabela 5.23 - Métricas de avaliação calculadas para os resultados das clusterizações

efetuadas pelos métodos automático e semi-automático ......................................... 144

Tabela 5.24 – Variável dependente e atributos preditores utilizados na ACR para as

11 cenas. ................................................................................................................. 158

Tabela 5.25 - Métricas de avaliação calculadas para os resultados das

clusterizações efetuadas nos 3 novos recortes de cena para validação do método

proposto na tese. ..................................................................................................... 161

Tabela 5.26 - Métricas de avaliação calculadas para os resultados das clusterizações

automáticas efetuadas nos 3 novos recortes de cena para validação do método

proposto. .................................................................................................................. 164

CAPÍTULO 1

INTRODUÇÃO

Sistemas de vigilância e monitoramento são considerados medidas essenciais

para o controle e a prevenção de áreas suscetíveis à poluição por óleo. Este tópico

compõe grande parte das deliberações constantes na IMO (International Maritime

Organization) regulamentada internacionalmente pela MARPOL (International

Convention for the Prevention of Pollution from Ships) e pela UNCLOS (United Nations

Convention on the Law of the Sea). Tendo como base estas regulamentações,

diversos países têm implantado sistemas de monitoramento costeiros e oceânicos

utilizando como instrumento imagens provenientes de sensores orbitais e/ou

aerotransportados (ENGELHARDT, 1999).

O sucesso de uma operação de contingenciamento está diretamente ligado à

rapidez com que uma mancha de óleo é detectada e monitorada (ASSILZADEH &

MANSOR, 2001). Nestas situações, o sensoriamento remoto é considerado

estratégico, sendo amplamente utilizado para o monitoramento de ocorrências

ambientais envolvendo derramamento de óleo no mar (ENGELHARDT, 1999).

Sensores remotos produzem informações consistentes sobre locais de difícil acesso,

fornecendo uma visão sinótica sob áreas dotadas de grande extensão – como é o

caso das regiões costeiras e oceânicas. O potencial de recobrimento sistemático das

áreas de interesse, bem como a capacidade para disponibilizar, em tempo próximo do

real, informações sobre eventos imprevisíveis - como é o caso de acidentes

envolvendo derramamento de óleo (GADE et al., 2000; BENTZ et al., 2005; BENTZ et

al., 2007a; GENOVEZ et al., 2007) - constituem subsídios essenciais à tomada de

decisão durante emergências ambientais.

Sistemas sensores operando em diversas faixas do espectro eletromagnético

têm sido utilizados para detecção de óleo e ocorrências ambientais diversas no mar

(BENTZ et al., 2007a; BROWN & FINGAS, 2001; FINGAS et al., 2000a e 2000b). Em

especial, imagens provenientes de RADARes

de Abertura Sintética (SAR

) têm sido

amplamente utilizadas devido à possibilidade de fornecimento dos dados em tempo

próximo do real, bem como, à capacidade de cobrir extensas áreas adquirindo

imagens durante o dia ou à noite sem interferência de nuvens (STAPLES &

RADAR: é a sigla resultante de Radio Detection And Ranging, referente a sensores que

utilizam o intervalo do espectro eletromagnético entre as freqüências de 0,3 GHz a 300 GHz

(microondas), operando em plataformas orbitais ou aeronaves.

SAR: Synthetic Aperture RADAR

HODGINS, 1998; GADE et al., 2000; BENTZ & MIRANDA, 2001; MIRANDA et al.,

2004; FINGAS & BROWN, 2005; CHANG et al., 2005; BENTZ et al., 2005; GENOVEZ

et al., 2007). Nas imagens de RADAR adquiridas em áreas oceânicas, eventos

dotados de baixo retroespalhamento são visualmente identificados como alvos

escuros, os quais podem estar associados à presença de óleo.

Desde a década de noventa, sistemas operacionais para detecção de

vazamento de óleo no mar utilizam de maneira integrada imagens de RADAR – orbital

e/ou aerotransportado – e monitoramento aéreo das áreas alvo (BREKKE &

SOLBERG, 2005; BENTZ et al., 2007a). A freqüência de aquisição, o processamento

e o tempo de entrega das imagens, bem como a experiência dos interpretes na

detecção de óleo e ocorrências ambientais que se assemelham ao óleo nas imagens

de RADAR, são variáveis determinantes para a eficiência dos sistemas de

monitoramento. Geralmente, as imagens são interpretadas visualmente e as

coordenadas geográficas das manchas suspeitas de ser óleo direcionam as

verificações de campo e as ações de contingenciamento, quando necessário

(STAPLES & HODGINS, 1998; BENTZ & MIRANDA, 2001).

Em alguns casos, especialmente quando um grande número de cenas SAR

têm de ser interpretadas, o processamento das imagens e a distinção visual entre

manchas de óleo e ocorrências ambientais pode tornar-se uma tarefa difícil e com

significativa demanda de tempo (GADE et al., 1998; BREKKE & SOLBERG, 2005;

Mozilla Firefox.lnk

SOLBERG et al., 2005; KERAMITSOGLOU et al., 2006). Por outro

lado, mesmo que intérpretes devidamente treinados sejam capazes de detectar

visualmente vazamentos de óleo e diferenciá-los de ocorrências ambientais, a

experiência de cada intérprete confere subjetividade ao processo, influenciando

diretamente os resultados da interpretação (INDREGARD, 2004; SOLBERG et al.,

2005; SOLBERG, 2005; BENTZ et al., 2007a).

Sistemas para detecção automática de vazamentos de óleo têm sido

desenvolvidos para otimizar e auxiliar a interpretação das imagens SAR, buscando

reduzir a intervenção humana e, conseqüentemente, o grau de subjetividade

associado ao processo (KUBAT et al., 1998, ESPEDAL & WAHL, 1999; SOLBERG et

al., 1999, 2003 e 2005; SOLBERG, 2005; KERAMITSOGLOU et al., 2006). A cadeia

de processamentos considera prioritariamente as áreas oceânicas e tem como

objetivo a emissão de um alerta quando um alvo escuro for identificado como uma

possível mancha de óleo (KERAMITSOGLOU et al., 2006).

De maneira geral, os sistemas para detecção automática de óleo são

compostos por 4 etapas essenciais ao processo (Figura 1.1): a) pré-processamento

das imagens; b) detecção de alvos escuros; c) cálculo de atributos, e; d) classificação

dos alvos escuros em óleo e assemelhados (BJERDE et al., 1993; DEL FRATE et al.,

2000; SOLBER et al., 1996, 1997 e 2003; ZHENG et al., 2005; BREKKE & SOLBERG,

2005; ANGIULI et al., 2006; CHANG et al., 2005 e 2008; GENOVEZ et al., 2009). Na

literatura, há uma diversidade de métodos propostos, o que diferencia cada um é a

combinação de técnicas, atributos e algoritmos utilizada em cada uma das etapas

citadas. Pesquisas nesta área têm sido desenvolvidas por mais de uma década

(BREKKE & SOLBERG, 2005; TOPOUZELIS, 2008) e constituem uma extensa e

promissora área de desenvolvimento (SOLBERG et al., 1999; DEL FRATE et al., 2000;

GALLAND et al. 2004).

Figura 1.1 – Etapas envolvidas nos sistemas de detecção automática de óleo e ocorrências

ambientais.

Dentre as etapas envolvidas, a detecção dos alvos escuros é a principal etapa

da cadeia de processamentos. Sem a detecção e individualização da geometria dos

alvos não há como prosseguir na etapa de classificação dos eventos em óleo ou

assemelhados (KANAA et al., 2003; PELIZZARI & DIAS, 2003; SOLBERG & BREKKE,

2008; TOPOUZELIS et al., 2007a; TOPOUZELIS, 2008). Diversas abordagens para a

detecção de alvos escuros têm sido propostas combinando técnicas de segmentação

Assemelhados

Oceano

de imagens e agrupamento de regiões (BREKKE & SOLBERG, 2005;

KARATHANASSI et al., 2006; TOPOUZELIS, 2008; SOLBERG & BREKKE, 2008).

Analisando a literatura produzida nas últimas décadas sobre o tema, é

perceptível que ainda não há um consenso sobre a utilização operacional de sistemas

automáticos para a detecção de óleo e ocorrências ambientais em imagens SAR

(SEASAR, 2010). Parte dos autores classifica sua metodologia como automática, mas

não operacional (LOPEZ et al., 2005; KARATHANASSI et al., 2006; TOPOUZELIS et

al. 2007). A utilização de métodos híbridos, mesclando procedimentos automáticos e

semi-automáticos, foi sugerida em algumas abordagens (CALABRESI et al., 1999;

FISCELLA et al., 2000; PELIZARRI & DIAS, 2003; LOPEZ et al., 2005). Trabalhos que

indicam suas metodologias como automáticas e operacionais, enfatizam a

necessidade de aprofundar os testes, considerando mais imagens, com diferentes

tipos de alvos, em cenários com intensidade de vento variada (SOLBERG & BREKKE,

2008; TOPOUZELIS et al., 2009).

Neste contexto, a formulação de uma hipótese que busca investigar se a

definição de um método automático para detecção de alvos escuros em imagens SAR

é factível, constitui uma preocupação de relevante interesse no meio acadêmico, que

ainda não foi plenamente respondida.

Os trabalhos consultados utilizaram inúmeras técnicas de segmentação de

imagens para particionar a imagem em regiões. Entretanto, para agrupar estas regiões

em alvos escuros e oceano, a diversidade de técnicas utilizadas é restrita, sendo a

limiarização a mais comumente utilizada (TOPOUZELIS et al., 2007b; GALLAND et al.,

2003 e 2004).

Embora a utilização de regiões, ao invés de pixels, possibilite a associação de

múltiplos atributos aos segmentos, ampliando as possibilidades de investigação e de

resultados passíveis de serem obtidos (NAVULUR, 2006; BAATZ et al., 2003), na

bibliografia consultada o cálculo de atributos foi utilizado somente na etapa de

classificação dos alvos em óleo ou assemelhados e não na detecção de alvos escuros

(TOPOUZELIS, 2008; KERAMITSOGLOU et al., 2006; BREKKE & SOLBERG, 2005).

Considerando o pressuposto de que não existe um algoritmo de segmentação

que garanta desempenho plenamente satisfatório em todas as imagens

(BEAUCHEMIN & THOMSON, 1997; ESPINDOLA, 2006; BEAULIEU & TOUZI, 2002;

SOUSA, 2005), a proposta de uma nova abordagem, que utiliza o cálculo de atributos

e clusterização de dados na etapa de detecção de alvos escuros, foi considerada

promissora.

Com base nas evidências descritas, a tese considerou a hipótese de que um

método para a detecção automática de alvos escuros em imagens SAR, integrando

técnicas de segmentação de imagens e reconhecimento de padrões, pode ser

implementado com resultados satisfatórios.

No âmbito dos sistemas automáticos, foi considerada como premissa a

possibilidade de padronizar: a) os métodos de pré-processamento a serem aplicados

nas imagens; b) os parâmetros associados ao segmentador, tendo como foco a

detecção de alvos escuros em diferentes escalas, priorizando eventos associados a

óleo; c) um conjunto adequado de atributos, capaz de retornar clusters representativos

para detectar alvos escuros e oceano.

1.1 – Objetivos

O principal objetivo foi propor um procedimento automático para a detecção de

alvos escuros em imagens SAR. Para tal, a influência dos métodos de pré-

processamento das imagens, o desempenho de diferentes segmentadores e a

utilização de atributos no processo de clusterização em alvos escuros e oceano foram

investigados.

Como resultado final, pretende-se disponibilizar um método com desempenho

satisfatório para detectar automaticamente a geometria dos alvos escuros nas

imagens SAR. Posteriormente, este procedimento será acoplado ao sistema de

classificação automática desenvolvido por BENTZ (2006) a fim de integrar toda a

cadeia de processamentos envolvida em um sistema de detecção automático de óleo.

1.1.1 – Objetivos Específicos

Para alcançar os objetivos propostos pela pesquisa, têm-se como objetivos

específicos:

a) Com base em um banco de dados estudado e validado previamente

(BENTZ, 2006), selecionar imagens com níveis de complexidade de cena

diferenciados;

b) Determinar a configuração da resolução espacial, do filtro e da janela a ser

utilizada como padrão na etapa de pré-processamento das imagens SAR;

c) Verificar o desempenho integrado de técnicas de segmentação e

clusterização no processo de detecção de alvos escuros;

d) Avaliar a influência da utilização de diferentes atributos no processo de

agrupamento de regiões em alvos escuros e oceano, indicando um

conjunto padrão de atributos;

e) Avaliar qualitativamente e quantitativamente os resultados provenientes dos

diferentes procedimentos testados;

f) Definir o procedimento automático mais adequado para a detecção de

alvos escuros em imagens SAR, considerando os resultados obtidos nas

etapas de pré-processamento, segmentação, cálculo de atributos e

clusterização, e;

g) Validar o método proposto.

1.2 - Principais Contribuições

Como principal contribuição, espera-se que um esforço futuro para

implementar, de forma automática, o método proposto minimize: a) o tempo gasto na

interpretação visual das imagens, especialmente quando houver um grande volume de

dados; b) o grau de subjetividade associado à interpretação visual e à delimitação

manual da geometria dos alvos escuros, e; c) a quantidade de falsos alarmes,

otimizando as rotas efetuadas pelas inspeções aéreas.

Outras contribuições de relevante importância, decorrentes da rápida e

automática extração da geometria dos alvos identificados nas imagens, é a

possibilidade de criação e atualização constante de um banco de dados contendo: a) a

geometria dos alvos escuros; b) o registro da interpretação destes alvos realizada

pelos especialistas, e; c) os resultados provenientes das verificações de campo,

confirmando ou não estas interpretações. Este banco de dados pode permitir a

realização de análises estatísticas e espaciais que, ao longo do tempo, forneceriam

diagnósticos históricos sobre a variação da freqüência de ocorrência dos diversos

fenômenos identificados, permitindo avaliar e controlar a qualidade do sistema de

monitoramento.

Este banco de dados também pode viabilizar o teste e a validação de

diferentes algoritmos para detecção automática, bem como constituir um importante

repositório de dados, permitindo o armazenamento de todo conhecimento gerado pelo

sistema com base nos exemplos obtidos. Desta forma, o próprio sistema pode servir

como um guia, um tutorial para treinar intérpretes inexperientes, fornecendo uma

interpretação prévia das feições detectadas.

Finalmente, outra expectativa é de que o método proposto consiga retornar

geometrias com acurácia suficiente para alimentar o classificador desenvolvido por

BENTZ (2006) sem prejudicar a performance do mesmo.

1.4 – Organização da Tese

A tese abordará os principais problemas envolvidos no desenvolvimento de

sistemas para detecção automática de óleo em imagens SAR, tendo como foco a

definição de uma metodologia para a detecção da geometria de alvos escuros capaz

de ser utilizada operacionalmente com o mínimo de intervenção humana possível.

Neste contexto, os capítulos subseqüentes abordam: a) uma revisão sobre o

imageamento SAR em áreas oceânicas, destacando os fatores que influenciam na

detecção de óleo (Capítulo 2); b) o estado da arte relacionado aos sistemas

desenvolvidos para detecção automática de óleo em imagens SAR (Capítulo 3); c) a

indicação dos procedimentos metodológicos utilizados ao longo da tese (Capítulo 4);

d) a apresentação dos resultados obtidos (Capítulo 5); e) conclusões (Capítulo 6).

CAPÍTULO 2

IMAGEAMENTO SAR EM ÁREAS OCEÂNICAS

A maioria dos sistemas de monitoramento voltados para detecção de poluição

por óleo no oceano utilizam RADARes de Abertura Sintética (SAR) instalados a bordo

de satélites e/ou aeronaves (FERRARO et al., 2007). Nas imagens de RADAR, o

oceano é representado pela intensidade do sinal de retorno que é retroespalhado pela

superfície do mar e detectado pelo sensor. A intensidade média do sinal de retorno

atribuída a cada pixel, ou célula de resolução, é proporcional à rugosidade da

superfície na escala de comprimento de onda emitida pelo RADAR (ELACHI, 1987;

BREKKE & SOLBERG, 2005; MONTALI et al., 2006).

Este mecanismo de espalhamento das microondas na superfície do mar pode

ser descrito pelo modelo de espalhamento Bragg (BREKKE & SOLBERG, 2005;

TOPOUZELIS, 2008) e ocorre devido à rugosidade causada pela presença de

pequenas ondas induzidas pelo vento (na escala de milímetros a centímetros)

denominadas ondas capilares de gravidade ou ondas Bragg (MERCIER & ARDHUIN,

2005a; ANGIULI et al., 2006). Sistemas SAR são particularmente sensíveis a estas

ondas, à medida que os pulsos de microondas emitidos pela antena entram em

ressonância com os comprimentos de onda na superfície do oceano dotados de

semelhante magnitude (BENTZ, 2006; MERCIER & ARDHUIN, 2005a;

MACCANDLESS & JACKSON, 2004; VALENZUELA, 1978).

De acordo com o modelo de espalhamento Bragg, o potencial de

retroespalhamento do sinal emitido pelo RADAR é proporcional à densidade de

energia espectral das ondas curtas oceânicas, as quais se propagam através ou ao

longo da direção de visada da antena. Estas ondas capilares de gravidade são

produzidas e propagadas pelo vento na superfície do mar com comprimentos de onda

(λ

) similares aos do RADAR (λ

) e podem ser representados através da equação λ

/2sen

(HOLT, 2004; ALPERS & ESPEDAL, 2004), onde λ

corresponde ao

comprimento de onda proveniente das ondas oceânicas, λ

corresponde ao

comprimento de onda do pulso de RADAR e θ corresponde ao ângulo de incidência. A

Figura 2.1 ilustra o modelo de espalhamento Bragg na superfície do oceano,

relacionando λ

, λ

e θ.

Figura 2.1 - Modelo de espalhamento Bragg na superfície do oceano, relacionando λ

, λ

e θ.

FONTE: HOLT, 2004.

A presença de óleo na superfície do mar atenua as ondas capilares de

gravidade em função do grau de viscosidade e elasticidade presente nos

hidrocarbonetos (MARANGONI, 1872; ALPERS & HUHNERFUSS, 1988; ALPER et

al., 1988; ALPERS & HUHNERFUSS, 1989; ESPEDAL & WAHL, 1999; CALABRESI et

al., 1999; DEL FRATE et al., 2000; GASULL et al., 2002; MERCIER & ARDHUIN,

2005a e b;. ANGIULI et al., 2006; ALPERS et al., 1991; TOPOUZELIS et al., 2004;

MIGLIACCIO & TRANFAGLIA, 2004; BREKKE & SOLBERG, 2005; ZHENG et al.,

2005; MONTALI et al., 2006; BENTZ et al., 2006; FERRARO et al., 2007; SOLBERG &

BREKKE, 2008; TOPOUZELIS, 2008). WISMANN et al. (1998) evidenciaram que a

taxa de atenuação das ondas capilares aumenta com o aumento da viscosidade do

óleo e da espessura da camada de óleo.

Este mecanismo de atenuação ocorre de maneira eficiente porque o óleo sobre

a água reduz a interface de interação existente entre o ar e a água (MERCIER et al.,

2003), provocando uma resistência local à ação do vento, capaz de reduzir a formação

e a propagação das ondas capilares (MERCIER & ARDHUIN, 2005a e b). Portanto,

este aumento de estabilidade local na superfície do mar provocado pela presença de

óleo reduz a amplitude das cristas das ondas (ALMEIDA et al., 2005), diminuindo a

rugosidade na superfície do mar.

Superfícies menos rugosas reduzem o coeficiente de retroespalhamento,

refletindo a maior parte da energia incidente na direção oposta à antena do RADAR.

Este tipo de espalhamento, denominado especular, produz regiões escuras com baixo

retroespalhamento nas imagens, as quais podem ser associadas à presença de óleo

(GADE et al., 1998; MERCIER et al., 2003; TOPOUZELIS et al., 2004; BREKKE &

SOLBERG, 2005; ZHENG et al., 2005; MERCIER & ARDHUIN, 2005a; ANGIULI et al.,

2006; BENTZ, 2006).

O contraste existente entre uma menor rugosidade presente nas manchas de

óleo e uma maior rugosidade relacionada ao oceano possibilita a detecção de

manchas de óleo no RADAR (TOPOUZELIS et al., 2004; ZHENG et al., 2005;

BREKKE & SOLBERG, 2005; RAMALHO & MEDEIROS, 2007; AKKARTAL & SUNAR,

2008). Superfícies rugosas espalham a energia em várias direções, comportando-se

como refletores difusos, produzindo como resultado tons mais claros nas imagens

devido a um maior retroespalhamento do sinal emitido em direção à antena (LEWIS &

HENDERSON, 1998).

A detecção de óleo na superfície do mar é uma tarefa complexa devido à

presença de inúmeros fenômenos meteo-oceanográficos que, da mesma forma que o

óleo, atenuam as ondas capilares superficiais originando regiões escuras nas imagens

de RADAR (BJERDE et al., 1993; SLOGGETT & JORY, 1994; HOVLAND et al.1994;

ESPEDAL & WAHL, 1999; DEL FRATE et al., 2000; MERCIER et al., 2003;

SOLBERG, 2005b; BREKKE & SOLBERG, 2005; ZHENG et al., 2005; BENTZ et al.,

2005a; BENTZ et al., 2006; MONTALI et al., 2006).

Fenômenos como florescimento de algas, óleos biogênicos, zonas de

ressurgência, áreas com baixa intensidade de vento, sedimentos em suspensão,

células de chuva, dentre outros, constituem exemplos de feições passíveis de serem

interpretadas erroneamente como óleo (CALABRESI et al., 1999; GASULL et al.,

2002; ALPERS & ESPEDAL, 2004; TOPOUZELIS et al., 2004; BENTZ et. al, 2005a;

BENTZ et al. 2005b; BENTZ et al. 2006; ANGIULI et al., 2006). Estes fenômenos são

denominados assemelhados por serem facilmente confundidos com óleo nas imagens

de RADAR, resultando em falsos alarmes. Outros tipos de feições meteo-

oceanográficas detectáveis em imagens SAR, que podem auxiliar nas operações de

resposta em emergências ambientais, são: a) vórtices oceânicos; b) frentes de vento;

c) frentes oceânicas; d) ondas superficiais; e) ondas internas, e; f) ondas de gravidade

atmosférica.

A Figura 2.2 ilustra exemplos de alvos escuros freqüentemente detectáveis em

imagens de RADAR, juntamente com a representação esquemática do mecanismo de

imageamento do RADAR.

Figura 2.2 – Tipos de espalhamento produzidos pela interação do pulso emitido pelo RADAR

com os alvos presentes na superfície oceânica, juntamente com os alvos escuros

freqüentemente detectáveis nas imagens. ADAPTAÇÃO: FONTE - BENTZ, 2006.

Além do óleo, é possível detectar alvos geométricos na superfície do mar em

imagens de RADAR, tais como embarcações e plataformas possibilitando, em

determinadas situações, identificar ou auxiliar na identificação de potenciais fontes

causadoras de vazamentos. Alvos geométricos podem formar ângulos retos voltados

para o RADAR produzindo espalhamento direto ou indireto através de refletores do

tipo diédrico ou triédrico, denominados refletores de canto (Figura 2.2). Estes

refletores provocam um intenso retorno do sinal retroespalhado para o sensor,

produzindo como resposta áreas brilhantes nas imagens de RADAR. A Figura 2.2

ilustra diferentes tipos de espalhamento produzidos pela interação do pulso emitido

pelo RADAR com os alvos presentes na superfície oceânica (BENTZ, 2006; LEWIS &

HENDERSON, 1998).

2.2 - Fatores de Influência na Detecção de Alvos Escuros em Imagens SAR

Apesar das imagens de RADAR serem amplamente utilizadas para o

monitoramento oceânico (CHANG et al., 2005; BREKKE & SOLBERG, 2005; ANGIULI

et al., 2006), a detectabilidade dos alvos escuros depende do seu contraste com o

oceano (GASULL et al., 2002). Este contraste é resultado da complexa interação

existente entre o pulso de energia eletromagnética emitida por um SAR e a superfície

Espalhamento

Difuso

Espalhamento

Especular

Espalhamento

de Canto

(Reflexão Dupla)

do oceano, sendo influenciado por diversos fatores como: a) propriedades elétricas da

superfície imageada e o comprimento de onda do sinal emitido pelo RADAR; b)

variação da intensidade do vento; c) geometria de imageamento; d) tipo de

polarização, e; e) o ruído speckle (SOLBERG & VOLDEN, 1997; MIGLIACCIO &

TRANFAGLIA, 2004; MACCANDLESS & JACKSON, 2004; HOLT, 2004; BREKKE &

SOLBERG, 2005; ZHENG et al., 2005; SOLBERG, 2005a; MONTALI et al., 2006;

BENTZ, 2006; http://southport. jpl.nasa.gov/, 2007).

Propriedades elétricas do alvo e comprimento de onda do RADAR: De

acordo com ESPEDAL (1998), LEWIS & HENDERSON (1998) e RANEY (1998)

RADARes são instrumentos eficientes para detecção de alvos escuros na superfície

do mar devido à alta constante dielétrica da água, que torna a penetração do pulso de

RADAR em áreas oceânicas desprezível. A maioria dos RADARes de sensoriamento

remoto opera numa faixa de comprimentos de onda que varia de 0,5 cm a 75 cm.

Estas freqüências são distribuídas em faixas específicas denominadas Bandas (Figura

2.3), que vão da Banda K, dotada de menor comprimento de onda até a P com maior

comprimento de onda, para o caso dos RADARes imageadores (DUTRA et al., 2003;

GlobSAR2/CD-ROM).

Figura 2.3 – Tamanho Relativo dos Comprimentos de Onda na Faixa de Microondas. Fonte:

Material Educativo para Sensoriamento Remoto por Radar GlobeSAR2/CD-ROM.

Apesar da constante dielétrica da água tornar a penetração do pulso

eletromagnético desprezível, a Banda X é citada como a mais indicada para a

detecção de óleo devido ao seu menor poder de penetração, melhorando a detecção

de alvos na superfície do mar (BREKKE & SOLBERG, 2005). Entretanto, satélites

como o RADARSAT-1 e o ENVISAT/ASAR, ambos operando na Banda C, têm sido

amplamente utilizados com eficiência operacional satisfatória em sistemas de

monitoramento de óleo e ocorrências ambientais (BREKKE & SOLBERG, 2005).

Intensidade do Vento: Baixas intensidades de vento permitem a detecção de

assemelhados nas imagens de RADAR, aumentando a probabilidade de ocorrência de

falsos alarmes (SOLBERG & VOLDEN, 1997). Todavia, existe um limiar máximo e

MAIOR COMPRIMENTO

DE ONDA

MAIOR PODER

DE PENETRAÇÃO

mínimo a partir do qual o óleo e os assemelhados podem se tornar indetectáveis na

superfície do mar (TOPOUZELIS et al., 2004; ALPERS & ESPEDAL, 2004). Isto

ocorre porque a intensidade do vento influencia o nível de retroespalhamento e

conseqüentemente a visualização de feições no oceano (BREKKE & SOLBERG,

2005). Velocidades de vento abaixo de 2m/s ou 3m/s não produzem rugosidade

suficiente para a detecção de vazamentos de óleo no mar (WISMANN, 1993;

SLOGGETT & JORY, 1994; ESPEDAL, 1998; TOPOUZELIS et al., 2004; SOLBERG,

2005a; ZHENG et al., 2005; MONTALI et al., 2006; ANGIULI et al., 2006; FERRARO

et al., 2007). Altas velocidades de vento também dificultam significativamente a

detecção de óleo. De acordo com a literatura, ventos acima de 12m/s a 14m/s são

capazes de dispersar mecanicamente as manchas e aumentar significativamente a

rugosidade na superfície do oceano, criando espalhamento suficiente para bloquear a

detecção dos alvos escuros (SLOGGETT & JORY, 1994; TOPOUZELIS et al., 2004;

ZHENG et al., 2005; MERCIER & ARDHUIN, 2005a e b).

Geometria de Imageamento: O coeficiente de retroespalhamento do RADAR

também varia em função da geometria de imageamento utilizada, diminuindo com o

aumento do ângulo de incidência (MONTALI et al., 2006; BREKKE & SOLBERG,

2005; MIRANDA et al., 2004; SOLBERG, 2005a; BENTZ, 2006). Como conseqüência,

as imagens tendem a apresentar tons mais claros no alcance próximo (near range), do

que no alcance distante (far range). Quanto maior for o ângulo de incidência e a

largura da faixa imageada maior a dificuldade para detecção de alvos com baixo sinal

de retorno no alcance distante (DUTRA et al., 2003; BENTZ, 2006; http://

southport.jpl.nasa. gov/, 2007). A Figura 2.4 ilustra a geometria de imageamento do

SAR e o efeito do ângulo de incidência no near e no far range: Imagem RADARSAT-1.

Figura 2.4 - Geometria de imageamento do SAR e o efeito do ângulo de incidência no near e

no far range: Imagem RADARSAT-1.

Polarização da Antena: A definição do tipo de polarização a ser utilizada para

a emissão e para a recepção do pulso de microondas pela antena do RADAR também

influencia o retroespalhamento (ALPERS & ESPEDAL, 2004; MONTALI et al., 2006;

BENTZ, 2006; http:// southport.jpl.nasa. gov/, 2007). A polarização é definida como a

orientação segundo a qual o vetor campo elétrico da onda eletromagnética oscila no

tempo. Esta orientação pode determinar polarizações do tipo vertical (V) ou horizontal

(H) emitidas de maneira linear, circular ou elíptica. Usualmente, os sistemas de radar

utilizam polarizações lineares paralelas, HH

e VV, ou cruzadas, HV e VH (DUTRA et

al., 2003). Embora o tipo de polarização HH, utilizado no sistema RADARSAT-1, seja

eficiente para a detecção de alvos escuros (BENTZ & MIRANDA, 2001; BENTZ,

2006), a polarização VV é indicada na literatura como a mais adequada para a

detecção de variações na rugosidade da superfície do mar, tais como as provocadas

pela presença de óleo (GIRARD-ARDHUIN et al., 2003; BREKKE & SOLBERG, 2005;

BENTZ, 2006; SCHMULLIUS & EVASN, 1997). De acordo com ALPERS & ESPEDAL

(2004) isto ocorre porque a polarização VV provê um maior contraste entre a mancha

e o oceano.

Ruído Speckle: O principal fator de interferência associado à interpretação de

imagens de RADAR é a presença do ruído speckle (ARVELYNA et al., 2001; GASULL

et al., 2002; GALLAND et al, 2004; ZHENG et al., 2005; BREKKE & SOLBERG, 2005;

LOPEZ et al., 2005; TELLO et al., 2006; CHANG et al., 2008). Este ruído é inerente

ao sistema, sendo causado por interferências locais construtivas e destrutivas (Figura

2.5) no sinal de retorno retroespalhado pela superfície do mar (BENTZ, 2006;

GlobSAR2/CD-ROM). O speckle gera na imagem uma aparência granular, composta

por mudanças bruscas no nível de cinza em pixels espacialmente próximos (LEE &

HOLT, 1982; DUTRA et al., 2003; BENTZ, 2006). Desta forma, o speckle é uma forma

de ruído que degrada a qualidade das imagens, interferindo em todas as etapas de

detecção dos alvos escuros, sendo recomendado a utilização do processamento em

múltiplas visadas (multi-look) ou a aplicação de filtros para sua suavização

(ARVELYNA et al., 2001; GALLAND et al., 2004; AYED et al., 2006; CHANG et al.,

2005; BENTZ, 2006; CCRS, 2007; GlobSAR2/CD-ROM).

Na nomenclatura utilizada para definir o sistema de polarização de um sistema RADAR, a

primeira letra refere-se à polarização da radiação emitida pela antena, neste exemplo

Horizontal, e a segunda letra refere-se à polarização da radiação recebida pela antena, neste

exemplo também Horizontal.

Figura 2.5 – Representação do ruído speckle. Fonte: Material Educativo para Sensoriamento

Remoto de Radar GlobeSAR2 - CD

Estes inúmeros fatores que influenciam, em maior ou menor escala, no

contraste existente entre os alvos escuros e o oceano nas imagens de RADAR fazem

com que a detecção dos alvos escuros não seja uma tarefa simples. Especificamente

para os casos de vazamento de óleo, o contraste em relação ao oceano também vai

variar de acordo com a quantidade e o tipo de óleo vazado, o intervalo de tempo entre

o vazamento e o momento da aquisição da imagem, o grau de intemperismo, dentre

outros (TOPOUZELIS, 2008; MONTALI et al., 2006; ESPEDAL & WAHL, 1999;

SOLBERG & VOLDEN, 1997).

Além destes fatores, imagens utilizadas em diferentes formatos e pré-

processadas com diferentes metodologias não retornarão os mesmos resultados para

a detecção alvos escuros, bem como para a classificação destes eventos em óleo e

assemelhados. De acordo com VACHON et al. (1999), até a calibração radiométrica

das imagens geradas em diferentes estações de recepção, utilizando diferentes

processadores, constitui um fator que interferência no desempenho dos sistemas

automáticos para detecção de óleo e assemelhados. Como existem múltiplos fatores

envolvidos, a padronização de todos os parâmetros necessários desde o pré-

processamento das imagens à etapa final de classificação é essencial para garantir o

uso operacional destes sistemas no monitoramento efetivo das regiões costeiras e

oceânicas.

CAPÍTULO 3

DETECÇÃO AUTOMÁTICA DE ÓLEO E OCORRÊNCIAS

AMBIENTAIS EM IMAGENS SAR

Inúmeros esforços têm sido direcionados para produzir um sistema

completamente automático, capaz de reconhecer uma provável mancha de óleo e/ou

assemelhados em imagens SAR (BJERDE et al., 1993; SLOGGETT & JORY, 1994;

HOVLAND et al., 1994; KUBAT et al., 1998; ESPEDAL & WAHL, 1999; SOLBERG et

al., 1999, 2003 e 2005; FISCELLA et al., 2000; GASULL et al., 2002; TOPOUZELIS et

al., 2003 e 2004; GALLAND et al., 2004; MIRANDA et al., 2004; BREKKE &

SOLBERG, 2005; MERCIER & ARDHUIN, 2005a e b; CHANG et al., 2005; SOLBERG,

2005; KARATHANASSI et al., 2006; ; AYED et al., 2006; KERAMITSOGLOU et al.,

2006; MONTALI et al., 2006; BENTZ, 2006; TOPOUZELIS, 2009; HANG et al., 2009,

SEASAR, 2010). Estes sistemas são configurados para processar imagens de

RADAR, considerando as áreas oceânicas, e emitir um alarme sempre que uma feição

for identificada como uma provável mancha de óleo (KERAMITSOGLOU et al., 2006).

Esta área do conhecimento reúne problemas complexos, evidenciando a necessidade

de considerável investimento em termos de desenvolvimento e pesquisa

(TOPOUZELIS et al., 2004; ANGIULI et al., 2006).

Dentre as 4 etapas integrantes dos sistemas para detecção automática de óleo

e assemelhados em imagens SAR (Capítulo 1: Figura 1.1), a etapa de detecção dos

alvos escuros é a principal etapa da cadeia de processamentos. Sem a detecção e

individualização da geometria dos alvos, não há como prosseguir na etapa de

classificação dos eventos em óleo ou assemelhados (TOPOUZELIS et al., 2007a;

TOPOUZELIS, 2008). Diversas metodologias, combinando técnicas de segmentação e

agrupamento, têm sido propostas na literatura, seguindo 2 tipos de abordagem: a) a

manual, onde operadores são treinados para interpretar imagens identificando

possíveis manchas de óleo, e; b) a semi-automática/automática, onde diferentes

técnicas são implementadas através de processamentos automatizados com ou sem a

intervenção humana (LUCCA, 1999; TOPOUZELIS, 2008).

As duas abordagens têm como foco detectar regiões dotadas de baixo

retroespalhamento nas imagens SAR, as quais podem estar associadas à presença de

óleo ou assemelhados (KARATHANASSI et al., 2006; AKKARTAL & SUNAR, 2008;

CHANG et al., 2008; TOPOUZELIS, 2008). Na etapa de detecção a preocupação é

delimitar, com o máximo de precisão possível, as diferentes geometrias associadas a

qualquer tipo de alvo escuro, sendo a discriminação em óleo ou assemelhado

realizada na etapa de classificação.

3.1 – Detecção de Alvos Escuros em Imagens SAR

Alvos escuros são facilmente identificáveis nas imagens SAR. Entretanto, é

extremamente difícil, até mesmo para intérpretes experientes, definir os limites, ou

seja, as bordas que separam um alvo do oceano (GALLAND et al., 2004; ZHENG et

al., 2005). Para auxiliar neste processo, técnicas de segmentação voltadas para a

detecção de alvos escuros em imagens SAR têm sido amplamente utilizadas em

sistemas automáticos (TOPOUZELIS et al., 2003; PELIZZARI & DIAS, 2003).

A segmentação consiste no particionamento de uma imagem em regiões,

considerando critérios de homogeneidade e heterogeneidade (HARALICK &

SHAPIRO, 1984; BAATZ et al., 2003; NAVULUR, 2006; NEUBERT et al., 2006; AYED

et al., 2006). A partição, ou o agrupamento em regiões de interesse, tem como

referência propriedades intrínsecas à imagem como intensidade, contraste ou textura

(LE MOIGNE & TILTON, 1995; CAVES et al., 1998; LUCCA, 1999; SOUSA, 2005;

NAVULUR, 2006).

Existe uma variedade de métodos automáticos e semi-automáticos para gerar

objetos ou regiões em imagens (BAATZ et al., 2003). De maneira geral, os algoritmos

de segmentação de imagens podem ser discriminados em 3 categorias (KURZ &

BENTEFTIFA, 1997; LUCCA, 1999; PEKKARINEN, 2002; ESPINDOLA, 2006;

NAVULUR, 2006): a) ajuste de regiões (region fitting); b) detecção de bordas (edge-

based), e; c) crescimento de regiões (region-growing).

Os 3 tipos de algoritmos utilizam os pixels da imagem como unidade básica de

processamento, a diferença está na forma como os resultados da segmentação são

extraídos das imagens e espacializados em uma nova imagem.

Os algoritmos de ajuste de regiões, também denominados pixel-based,

segmentam os objetos de interesse particionando (spliting) e agrupando (merge) os

pixels com base em critérios de similaridade ajustados a partir do histograma das

imagens. Nos histogramas, altas (picos) e baixas intensidades (vales) dos níveis de

cinza (NC) são identificadas e utilizadas para definir agrupamentos nas imagens. A

técnica mais comumente utilizada é a limiarização (threshold) (NAVULUR, 2006), que

consiste no estabelecimento de um limiar (T) para separar os objetos ou regiões de

interesse na imagem. De forma simplificada, as operações envolvem testes

estatísticos considerando uma função T = T [x,y: p(x,y), f(x,y)] onde, f(x,y) está

relacionado ao NC no ponto (x,y) e p(x,y) representa alguma propriedade local

centrada neste ponto, como por exemplo a média dos NC da vizinhança. A imagem

limiarizada g(x,y) pode ser definida matematicamente como:

Desta forma, tendo como base o limiar ou uma função previamente

estabelecida com base no histograma das imagens, o processo de segmentação é

realizado pixel a pixel, retornado uma nova imagem onde cada pixel é rotulado como 0

ou 1, separando os alvos de interesse do fundo (background) (GONZALES & WINTZ,

1987).

Da mesma forma, os métodos de detecção de bordas operam no nível do pixel,

retornando uma nova imagem igualmente rotulada em 0 ou 1. Entretanto, a partição é

efetuada considerando critérios de dissimilaridade, com o objetivo de evidenciar

regiões onde ocorram mudanças abruptas nos NC das imagens, indicando limites ou

bordas entre regiões homogêneas com diferentes propriedades (LUCCA, 1999;

NAVULUR, 2006). Para efetuar este procedimento é necessário realçar as bordas dos

alvos de interesse utilizando filtros como, por exemplo, os de Canny, Robert e Sobel

(GONZALES & WINTZ, 1987; LUCCA, 1999; NAVULUR, 2006), aplicados com

máscaras de dimensões variadas 2x2, 3x3 e 5x5.

Ambos os métodos de segmentação, ajuste de regiões e detecção de bordas,

retornam resultados no nível do pixel, sendo um pós-processamento necessário com o

objetivo de gerar uma máscara que possibilite o cálculo de atributos a serem utilizados

na etapa de classificação em óleo e assemelhados.

De forma diferente dos demais métodos, o crescimento de regiões inicia o

processamento no nível dos pixels e finaliza retornando regiões resultantes do

agrupamento de pixels com propriedades similares. O processamento inicia com a

escolha de pixels de referência denominados seed points (BINS et al., 1996;

PEKKARINEN, 2002; BAATZ et al., 2003;), a partir dos quais novos pixels serão

agrupados ou não formando regiões de acordo com um limiar de similaridade e de

área mínima previamente estabelecidos. Este agrupamento é efetuado de forma

automática até que toda a imagem seja segmentada e não haja mais a possibilidade

de fusões em função dos parâmetros estabelecidos pelo usuário no início do processo

(BINS et al., 1996; LUCCA, 1999; BAATZ & SCHÄPE, 2000; PINHO, 2005; SOUSA,

2005; NAVULUR, 2006; BENTZ, 2006; ESPINDOLA, 2006).

Nas referências consultadas, voltadas especificamente para a detecção de

alvos escuros em imagens de RADAR, pôde-se constatar a utilização dos três tipos de

segmentação citados. As pesquisas desenvolvidas, visando à individualização destas

feições, abrangem desde a delimitação manual (CALABRESI et al., 1999; FISCELLA

et al., 2000) até técnicas automáticas, com ou sem a intervenção humana, com níveis

de complexidade diversos (BREKKE & SOLBERG, 2005; BENTZ, 2006; BENTZ et al.,

2007b; TOPOUZELIS, 2008).

Como alvos escuros em imagens SAR são caracterizados por baixo

retroespalhamento em relação ao oceano, a utilização de técnicas de limiarização

(Threshold) para a segmentação é comumente observada (BAATZ et al., 2003;

BREKKE & SOLBERG, 2005; GASULL et al., 2002). Na literatura são descritos 2 tipos

de limiarização: a global (Threshold) e a adaptativa (Adaptative Threshold). Na

abordagem global, o tamanho de uma janela é definido arbitrariamente para calcular

ao longo da imagem valores estatísticos que serão comparados a um limiar fixo,

previamente estabelecido para a imagem como um todo (KERAMITSOGLOU et al.,

2006). Entretanto, como o intervalo que compreende os NC referentes aos alvos

escuros não é constante, variando de cena para cena e, inclusive, em uma mesma

cena, em função das mudanças na intensidade do vento na superfície do mar, um

limiar único, estabelecido para toda a imagem, não é aconselhável (GASULL et al.,

2002).

Desta forma, a utilização da limiarização adaptativa (Adaptative Threshold)

constitui uma alternativa amplamente utilizada em diversos sistemas de detecção

automática (TOPOUZELIS, 2008; SOLBERG & BREKKE, 2008; BREKKE &

SOLBERG, 2005; SOLBERG et al., 1996). Nesta proposta, um limiar é configurado

localmente, tendo como base valores estatísticos calculados considerando uma janela

de dimensões pré-definidas, aplicada ao longo da imagem (GASULL et al., 2002).

Uma tentativa inicial foi publicada por SKØELV & WAHL (1993) utilizando um

algoritmo configurado com base em um histograma simples, bimodal, para uma janela

de N x N pixels (N = 25 pixels). Abordagens similares foram descritas por VACHON et

al. (1998) e MANORE et al. (1998). BJERDE et al. (1993) primeiramente aplicaram um

algoritmo de clusterização para verificar se a área considerada pela janela

apresentava características homogêneas, caso o comportamento do histograma fosse

bimodal um limiar era calculado e aplicado sobre os pixels localizados na janela.

Considerando a significativa influência da intensidade do vento para a

detecção de alvos escuros em imagens de RADAR, SOLBERG & VOLDEN (1997),

SOLBERG & SOLBERG (1996) e SOLBERG et al. (2003) utilizaram um limiar

adaptativo configurado como KdB resultante da estimativa de um sinal de retorno

médio para uma determinada janela. Neste método, o valor de K é determinado com

base nos dados de vento, os quais são configurados manualmente considerando 4

categorias de intensidade: baixo, baixo/médio, médio e alto. Finalmente, uma

clusterização foi aplicada sobre os pixels rotulados como alvos escuros e oceano para

melhorar as bordas e diminuir o ruído da segmentação.

Posteriormente, SOLBERG (2005a e 2005b) e SOLBERG et al. (2003)

aprimoraram este método de segmentação para ser utilizado quando não existem

dados de vento disponíveis. Para tal, um novo método para calcular o limiar utilizando

a homogeneidade local, denominado PMR-ratio (power-to-mean ratio), foi proposto

(SOLBERG et al., 2005; SOLBERG, 2005a; SOLBERG, 2005b). Uma abordagem

piramidal, em multi-escala foi utilizada, seguida de uma etapa de clusterização,

visando uma melhor separação entre os pixels rotulados como alvos escuros e o

oceano.

No âmbito da segmentação por ajuste de regiões, existem diversas formas de

calcular limiares automaticamente tendo como base o histograma das imagens.

FISCELLA et al. (2000) utilizou Normalized RADAR Cross-Section (NRCS) para

estabelecer um limiar a partir do qual os pixels considerados escuros na imagem

fossem discriminados. Este limiar determina que os pixels rotulados como escuros na

imagem devem ser menores que a metade do valor Médio obtido pelo NRCS em uma

determinada área da imagem. Neste método, pequenas áreas não foram detectadas

por serem consideradas irrelevantes e grandes áreas também, por terem a

probabilidade de estar associadas a baixas intensidades de vento.

A técnica de morfologia matemática para segmentação de alvos escuros foi

utilizada por GASULL et al. (2002). Nesta pesquisa foi testada a utilização combinada

de filtros morfológicos (top-hat) de erosão e dilatação com limiarização adaptativa,

alternando janelas de 11x11 para selecionar os alvos maiores e máscara menores de

3x3 para selecionar alvos menores.

A utilização de segmentação por detecção de bordas para extração dos alvos

escuros em sistemas de detecção automática de óleo foi primeiramente observada por

SLOGGETT & JORY (1994). ESPEDAL (1998) combinou a utilização do filtro Sobel

para detecção de bordas com fatiamento adaptativo, primeiramente utilizado por

WEINSTEIN et al. (1993) para a individualização das feições.

ARVELYNA et al. (2001) utilizaram a técnica de máxima entropia assumindo

dois momentos como parâmetro, óleo e mar. De acordo com o autor, o desempenho

foi melhor quando comparada com técnicas baseadas na matriz de co-ocorrência dos

níveis de cinza da Imagem (Grey Level Co-occurence Matrix - GLCM).

KANAA et al. (2003) utilizaram de forma integrada segmentação por detecção

de bordas e por ajuste de regiões. Primeiramente suavizaram o ruído das imagens

com um filtro Gaussiano, aplicando seqüencialmente o filtro de Canny para a detecção

de bordas. Posteriormente um limiar DHT (Directional Hysteresis Threshold) foi

aplicado, considerando um ângulo θ, com o objetivo de realçar as bordas do óleo na

mesma direção do vento. Uma operação de clusterização com abordagem

probabilística Bayesiana foi efetuada para melhorar os resultados formando

agrupamentos mais homogêneos para os pixels rotulados como escuros nas imagens.

Ainda no âmbito da detecção de bordas, TELLO et al. (2006) utilizaram

transformada Wavelet para realçar as bordas na imagem, seguida de uma limiarização

para separar as bordas dos alvos escuros encontrados do oceano.

BARNI et al. (1995) disponibilizaram o primeiro exemplo de utilização de lógica

fuzzy em um algoritmo para segmentação de alvos escuros em imagens SAR. ZHENG

et al. (2005) também utilizaram clusterização fuzzy para gerar a segmentação. Neste

método uma função é definida para mensurar a probabilidade de um determinado pixel

pertencer ou não a um determinado conjunto de dados, sendo ou não agrupado ao

mesmo. A dificuldade encontrada é que o número de clusters nem sempre pode ser

definido a priori. Uma vez que a clusterização fuzzy é obtida, designando cada pixel

para um grupo, um mapa dos agrupamentos encontrados é produzido pelo algoritmo.

Uma operação final envolve uma pós-filtragem do mapa para obter regiões mais

homogêneas.

Ainda no universo do pixel alguns autores investem no pré-processamento das

imagens, aplicando diferentes filtros ou combinação de imagens de textura, indo direto

para a etapa de classificação utilizando algoritmos diversos. MERCIER & ARDHUIN

(2005a) aplicaram decomposição Wavelet e utilizaram Máquinas de Suporte Vetorial

(SVM) supervisionadamente para classificar a imagem em alvos escuros e oceano.

TOPOUZELIS et al. (2007a) combinou filtro Lee com janela 3x3 e 5x5, normalizou os

NC da imagem e posteriormente aplicou uma classificação por Redes Neurais para

separar as regiões associadas aos alvos escuros do oceano. Estas regiões foram

vetorizadas, seqüencialmente 10 atributos foram calculados e uma nova classificação,

também por Redes Neurais, foi efetuada para classificar os alvos escuros em óleo e

assemelhados.

KERAMITSOGLOU et al. (2006) e CHANG et al. (2005 e 2008) utilizam

metodologias que transitam entre o nível do pixel e das regiões. Estes autores

primeiramente aplicam uma limiarização adaptativa para rotular os pixels em escuros

e claros (oceano) e, em uma segunda etapa, utilizam uma operação de interpolação

por vizinho mais próximo para gerar regiões relacionadas aos alvos escuros e oceano.

A diferença entre estes métodos é que KERAMITSOGLOU utilizou filtro Gaussiano e

não detalhou a técnica de limiarização utilizada e CHANG utilizou filtro de Mediana e

limiarização pela técnica de Moment Preserving Method (MPM). HANG et al. (2009),

propuseram algo semelhante, entretanto, com a utilização de fatiamento para separar

alvos escuros de oceano e, posteriormente, uma vetorização para gerar as regiões.

Posteriormente, todos estes autores calcularam atributos e efetuaram classificação em

óleo e assemelhados, utilizando técnicas diferenciadas.

MIRANDA et al. (2004) aplicaram o filtro de Mediana para a suavização do

ruído speckle, utilizaram o classificador textural por Semivariograma (STC) para

cálculo dos atributos e o algoritmo de clusterização ISODATA para classificar as

regiões em óleo e oceano.

Outras técnicas identificadas na literatura para gerar regiões em imagens SAR

foram Minimum Description Length (MDL) e Campos Markovianos. A utilização da

técnica de segmentação por Minimum Description Length (MDL), baseada em

partições deformáveis, foi proposta por GALLAND et al. (2003 e 2004) e consiste na

partição da imagem em regiões homogêneas e do agrupamento utilizando limiarização

automática MDL (Minimun Description Lenght). A segmentação inicial da imagem é

obtida por uma partição deformável, denominada grade ativa (active gride). Esta grade

contém um conjunto de nós localizados na junção entre os segmentos. O algoritmo

procura encontrar o número adequado de nós e regiões minimizando o critério global

de MDL. Como, geralmente, a segmentação resultante compõe os alvos com mais de

um polígono, uma nova limiarização é utilizada para formar um único polígono para

cada alvo escuro da cena.

PELIZARRI & DIAS (2003) desenvolveram um algoritmo supervisionado para

segmentação de imagens utilizando como base uma abordagem Bayesiana. A

intensidade dos sinais de retorno observados nas amostras de treinamento para cada

classe - alvos escuros e oceano – é modelada através de uma distribuição Gamma

(finite Gamma mixture), a partir da qual são extraídos a média e a variância.

Seqüencialmente, a utilização de Markov Random Field (MRF) define uma grade 2d a

partir da qual obtém-se a segmentação. A utilização de MRF para segmentação de

imagens foi relatada também em LOPEZ et al. (2005). Neste trabalho MRF foi utilizado

para segmentar uma imagem resultante da fusão de uma imagem original com uma

imagem de textura (GLCM: Correlação), gerada a partir da matriz de co-ocorrência

dos níveis de cinza.

Um método de segmentação não supervisionado foi descrito por MERCIER et

al. (2003) utilizando uma extensão vetorial com base no modelo de Hidden Markov

Chain (HMC), onde a estimação dos parâmetros é efetuada através do método

General Iterative Conditional Estimation (ICE). ARDHUIN et al. (2003 e 2004) foram os

primeiros trabalhos encontrados na literatura que demonstram uma preocupação com

o problema das bordas que separam um alvo escuro do oceano. Nesta abordagem

ARDHUIN et al. compararam o desempenho da utilização de 2 métodos: a) filtro

Sobel; b) Cadeias Markov com modelo de distribuição Pearson, e; c) Cadeias Markov

com modelo de distribuição Gaussiana. Entretanto, para a detecção por Cadeias de

Markov utilizou ao invés de 2 classes, como é comumente considerado na literatura, 3

e 4 classes, com o objetivo de evidenciar que os resultados da segmentação podem

representar melhor a transição entre e o óleo (alvo escuro) e o oceano com um

número maior de classes.

No âmbito dos segmentadores por crescimento de regiões, DEL FRATE et al.

(2000) e MONTALI et al. (2006) mesclaram as técnicas de ajuste de regiões e

crescimento de regiões. Inicialmente os pixels da imagem foram rotulados como

escuros (alvos escuros) ou claros (oceano) através de um limiar calculado com base

no histograma da imagem. Numa segunda etapa, os pixels mais escuros foram

escolhidos como pixels sementes a partir dos quais o algoritmo de crescimento de

regiões iniciou o processo de segmentação. A classificação foi realizada utilizando

redes neurais tendo como base 11 atributos. MONTALI et al.(2006) utilizou a mesma

lógica de processamento, entretanto cálculo u o limiar utilizando NRC para selecionar

os pixels sementes e testou diversos classificadores, também com 11 atributos, sendo

o que retornou melhor resultado foi o de discriminante linear.

KARATHANASSI et al. (2006) desenvolveram uma metodologia para detectar

alvos escuros em imagens de RADAR com alta resolução espacial (10m), utilizando

segmentação por crescimento de regiões com uma abordagem em multiresolução. Na

primeira etapa, a imagem é segmentada com o objetivo de obter segmentos maiores.

Nesta abordagem, como o segmentador cresce as regiões a partir dos pixels dividindo

a imagem em segmentos teoricamente homogêneos, a probabilidade de incluir um

alvo escuro dentro de um segmento associado ao oceano é menor, quando

comparada às técnicas de limiarização adaptativa que utilizam janelas com dimensões

fixas. Nesta menor escala um limiar é calculado fornecendo informações sobre a

distribuição estatística de cada região individualizada. Na segunda etapa, uma nova

segmentação é efetuada tendo como base a primeira, com o objetivo de gerar regiões

menores. Para estas novas regiões um novo limiar é estimado, comparado com o

limiar do super-segmento ao qual pertence, e utilizado para separar os alvos escuros

do oceano. Finalmente, um conjunto de atributos foram calculados e utilizados como

dados de entrada em um classificador Fuzzy para discriminar óleo de assemelhados.

Embora os resultados tenham sido satisfatórios KARATHANASSI destaca que o

método não é operacional em função do tempo necessário para o processamento (2h).

O mesmo método foi utilizado por TOPOUZELIS et al. (2007b) e TOPOUZELIS et al.

(2009), sendo que nesta publicação os autores testaram redes neurais para a

classificação.

BENTZ (2006) também utilizou segmentação por crescimento de regiões

(BAATZ & SCHÄPE, 1999), entretanto optou por agrupar as regiões resultantes da

segmentação manualmente, ao invés de utilizar um limiar adaptativo. Esta escolha foi

efetuada com o objetivo de fornecer uma maior acurácia à geometria dos alvos

escuros resultantes da segmentação. Como o foco do seu estudo era desenvolver um

sistema automático para classificação de óleo e assemelhados, considerando suas

subclasses, uma maior acurácia associada à geometria dos alvos escuros foi

essencial, pois todos os atributos utilizados na classificação foram calculados com

base nestas geometrias. A investigação de um método automático para separar os

alvos escuros do oceano, a ser acoplado no sistema de classificação proposto por

BENTZ (2006), constitui o principal objetivo da tese.

Conforme evidenciado na bibliografia consultada, as combinações que podem

ser efetuadas utilizando diferentes algoritmos, em cada uma das 4 etapas indicadas,

são ilimitadas. A Figura 3.1 disponibiliza um fluxograma geral, sintetizando os

diferentes métodos manual, semi-automático/automático, efetuados no nível do pixel e

das regiões, encontrados na literatura.

Figura 3.1 - Diferentes tipos de processamento efetuados no nível do pixel e das regiões

encontrados na literatura.

Apesar da diversidade e relevância das técnicas de segmentação para a

melhoria da eficiência dos sistemas de detecção automática, é importante destacar

que não existe um algoritmo que apresente desempenho plenamente satisfatório para

todos os tipos de imagens, assim como nem todos os algoritmos disponíveis

apresentam o mesmo grau de eficiência para uma mesma imagem (BEAUCHEMIN &

THOMSON, 1997; BEAULIEU & TOUZI, 2002; SOUSA, 2005; NAVULUR, 2006;

ESPINDOLA, 2006).

Desta forma, as diferentes técnicas de segmentação utilizadas, ajuste de

regiões, detecção de bordas e crescimento de regiões, apresentam vantagens e

desvantagens associadas ao processo de detecção de alvos escuros.

Neste sentido, apesar do delineamento manual dos alvos escuros ser a técnica

mais popular e facilmente replicável, a dependência da experiência do intérprete

agrega subjetividade ao processo. A “segmentação” manual não é única e um mesmo

intérprete pode gerar resultados diferentes para uma mesma imagem (LUCCA, 1999;

TOPOUZELIS et al., 2008; TOPOUZELIS, 2009).

No caso da segmentação por ajuste de regiões, há uma boa eficiência

computacional. Entretanto, a abordagem por limiarização é sensível à

heterogeneidade dos dados, não sendo plenamente satisfatória nas situações em que

o histograma não tem um comportamento tipicamente bimodal (CHANG et al., 2008).

Esta variação dos histogramas ocorre porque o comportamento estatístico dos NC nas

imagens não é linear e varia e função de fatores como o ruído speckle, o ângulo de

incidência, dentre outros descritos no Capitulo 2 (SOLBERG & SOLBERG, 1996;

ARVELYNA et al., 2001; TOPOUZELIS et al., 2007a). Como os resultados da

segmentação são diretamente influenciados pelo limiar estabelecido, um esforço é

necessário na tentativa de ajustar limiares satisfatórios (CHANG et al., 2008). Outra

desvantagem que os métodos limiarização adaptativa apresentam está relacionada ao

tamanho fixo da janela que percorre a imagem (KARATHANASSI et. al., 2006). É

possível que um alvo escuro esteja parcialmente contido em diferentes janelas, sendo

fragmentado com diferentes tamanhos. Neste caso, as estatísticas calculadas por

janela retornarão valores diferentes para caracterizar um mesmo alvo escuro

(KARATHANASSI et. al., 2006). Grandes janelas abrangendo regiões oceânicas com

homogeneidade nos NC podem deixar de detectar alvos escuros de pequena

dimensão (LUCCA. 1999). A detecção por limiar também falha quando o contraste

entre os alvos e o oceano é muito fraco (TOPOUZELIZ et al., 2007b). SOLBERG &

SOLBERG (1996) evidenciaram 3 situações em que a limiarização não foi efetiva para

detectar os alvos escuros: a) manchas de óleo finas e alongadas; b) baixo contraste

das manchas em relação ao oceano homogêneo, e; c) manchas de óleo localizadas

em oceanos com alta heterogeneidade espectral, dificultando a separação das bordas.

A desvantagem associada ao método de detecção de bordas é que nem

sempre é possível obter bordas ideais para imagens com moderada complexidade.

Bordas extraídas para imagens complexas, como é o caso das imagens SAR que

apresentam o ruído speckle, podem ser muito fragmentadas, contendo trechos

desconectados entre si, segmentos de borda ausentes, bem como falsas bordas,

fatores que complicam a interpretação da imagem. Outra desvantagem está associada

à necessidade de uma limiarização após a detecção das bordas para selecionar as

bordas referentes aos alvos de interesse. Nesse processo, quanto menor for o limiar,

mais bordas serão detectadas, sendo o resultado muito suscetível ao ruído,

selecionando feições irrelevantes. De forma contrária, valores de limiar muito altos

podem não detectar trechos de borda importantes para compor a geometria de um

determinado alvo escuro, não sendo fácil a tarefa de encontrar um equilíbrio entre

estas duas situações.

Considerando os algoritmos por crescimento de regiões, a fragilidade está

associada à definição do critério de limiar de similaridade e à seleção dos pixels

semente (seed points) que irão iniciar o processo de segmentação (LUCCA, 1999). A

agregação dos pixels às regiões ou segmentos ocorrerá de acordo com o limiar de

similaridade estabelecido. Se este for muito alto poderá ocorrer uma sub-segmentação

da imagem e alvos de interesse não serão detectados, de forma contrária, limiares

muito baixos super-segmentam a imagem. No caso das imagens de RADAR em que a

transição entre um alvo escuro e o oceano não é bem definida, sendo formada por

uma gradação de NC, a seleção de pixels semente nestas áreas da imagem pode não

retornar bons resultados. Desta forma, a tarefa de fixar parâmetros que possam ser

utilizados em diferentes imagens não é trivial.

Apesar das desvantagens associadas a cada método, inúmeros autores

ressaltam as vantagens de se trabalhar com regiões ao invés de pixels. Especialmente

no caso das imagens de RADAR, cujo ruído multiplicativo é uma característica

inerente deste sensor, o agrupamento dos pixels em regiões homogêneas utilizando

técnicas de segmentação é capaz de reduzir a interferência deste ruído no processo

de detecção de alvos escuros (GALLAND et al., 2003 e 2004; CHANG et al., 2005).

Além de melhorar a qualidade dos resultados, a utilização de segmentos, ou regiões,

como unidade base de processamento reduz significativamente o custo computacional

em relação aos processamentos efetuados pixel a pixel (BAATZ et al., 2003).

O método de crescimento de regiões é considerado mais eficiente devido à sua

capacidade de garantir a formação de segmentos fechados e homogêneos,

considerando a relação espacial existente entre os dados (ZUCKER, 1976; TILTON &

LAWRENCE, 2000; MEINEL & NEUBERT, 2004; SILVA et al., 2005; ESPINDOLA,

2006; SILVA, 2006). GALLAND et al. (2004) evidenciaram as diferenças obtidas na

detecção de alvos escuros em imagens SAR utilizando o agrupamento de regiões ao

invés de pixels previamente rotulados por limiarização. A Figura 3.2 disponibiliza os

resultados obtidos por GALLAND et al. (2004).

Figura 3.2 – Comparação entre o agrupamento efetuado a partir de regiões e de pixels.

FONTE: GALLAND et al. (2004)

Com base nestas constatações, no âmbito da tese optou-se pela utilização de

algoritmos de segmentação, utilizando a abordagem de crescimento de regiões.

Apesar das vantagens de se trabalhar com regiões ao invés de pixels, imagens SAR

em áreas oceânicas são cenários imprevisíveis, dotados de complexidade variada,

onde diferentes tipos de alvos podem ocorrer em diferentes escalas, características

que dificultam a delimitação da geometria utilizando apenas a segmentação de

imagens. Mesmo concentrando o processamento em uma única mancha de óleo, a

segmentação pode particioná-la em mais de uma região de acordo com os padrões de

homogeneidade/heterogeneidade dos NC que a compõe (GALLAND et al., 2003 e

2004; ZHENG et al.,2005), sendo necessário um pós-processamento para agrupar

estas regiões em alvos escuros e oceano (GALLAND et. al, 2004).

Desta forma, embora a escolha de um método adequado de segmentação seja

uma tarefa de relevante importância, o foco da tese foi a investigação de técnicas

adequadas para agrupar estas regiões ou segmentos em alvos escuros

representativos.

Considerando o estado da arte referente aos métodos propostos para a

detecção de alvos escuros, o fluxograma do APÊNDICE I disponibilizou uma síntese

da diversidade de métodos e combinações de algoritmos citados na revisão

bibliográfica, considerando como referência as 4 etapas integrantes dos sistemas

automáticos para detecção de óleo e assemelhados em imagens SAR. Neste

fluxograma é possível comparar o método proposto na tese para a etapa de detecção

de alvos escuros, identificando as inovações propostas em relação aos demais

métodos.

Desta forma, conforme evidenciado nos fluxogramas da Figura 3.1 e do

APÊNDICE I, nos métodos testados até o momento a detecção de alvos escuros é

dividida em 2 etapas: a) segmentação das imagens, utilizando um dos 3 tipos de

técnicas citadas, e; b) agrupamento dos pixels ou das regiões para formar geometrias

mais representativas e compactas para os alvos de interesse. A proposta trabalhada

ao longo da tese está dividida em 4 etapas: a) segmentação das imagens, utilizando

algoritmos de crescimento de regiões; b) cálculo de diversos atributos para cada

região originada pela segmentação; c) seleção do conjunto adequado de atributos, e;

d) clusterização destes atributos em alvos escuros e oceano.

Comparando as diferentes estruturas propostas no fluxograma do APÊNDICE I,

é perceptível que o cálculo de atributos foi utilizado somente na etapa de classificação

das imagens em óleo e assemelhados. Neste ponto, a possibilidade de calcular

múltiplos atributos a partir das regiões (BAATZ et al., 2003) foi mais um fator que

fortaleceu a utilização do método de crescimento de regiões.

Outro fator de destaque foi a preocupação com a utilização de um método de

seleção de atributos para definir um conjunto adequado de atributos, capaz de auxiliar

o clusterizador no reconhecimento de padrões, retornando geometrias o mais

representativas possíveis para os alvos escuros. Em praticamente toda a bibliografia

consultada não foi verificada a preocupação com a utilização de um método de

seleção de atributos, os primeiros trabalhos que evidenciaram estudos para seleção

de atributos foram STATHAKIS et al. (2006), BENTZ (2006) e BENTZ et al. (2007b).

TOPOUZELIS (2009) propôs um método interativo, utilizando algoritmos genéticos

para selecionar os atributos a serem seqüencialmente processados em uma rede

neural para classificação em óleo e assemelhados.

Outra preocupação recorrente ao longo da tese refere-se à possibilidade de

padronizar os parâmetros envolvidos em todas as etapas da detecção, deste a

utilização dos segmentadores, ao cálculo dos atributos até a clusterização dos dados.

Com relação à padronização dos parâmetros, quesito necessário para automatização

de um sistema, praticamente nenhuma referência consultada abordou o tema com

profundidade.

3.1.1 – Segmentação de Imagens SAR

Existe uma grande variedade de algoritmos de segmentação implementados

em diferentes softwares utilizando conceitos diferenciados. Estes algoritmos,

comercializados ou distribuídos gratuitamente, oferecem ampla possibilidade de

investigação (NEUBERT et al., 2006). Entretanto, pesquisas recentes indicaram que a

abordagem por crescimento de regiões é capaz de gerar segmentações de melhor

qualidade (ZUCHER, 1976; SILVA, 2006; MEINEL & NEUBERT, 2004; SILVA et al.,

2005).. Com base nestas constatações, foram utilizados softwares gratuitos, testados

e considerados eficientes, cujos algoritmos de segmentação utilizassem a abordagem

por crescimento de regiões (MEINEL & NEUBERT, 2004; NEUBERT et al., 2006). Os

segmentadores testados foram:

a) o segmentador MultiSeg desenvolvido pelo INPE e implementado no

software ENVI 4.0. Este algoritmo tem como principal objetivo a

segmentação multi-níveis de imagens de RADAR através da abordagem

de crescimento de regiões, sendo inicialmente denominado SegSAR

(SOUSA, 2005; SOUSA et al., 2005), e;

b) o segmentador por crescimento de regiões, também desenvolvido pelo

INPE (BINS et al., 1996) e implementado no software SPRING (CÂMARA

et al., 1996) disponibilizado gratuitamente na internet.

3.1.1.1 – MultiSeg: Informações Técnicas

O MultiSeg é um segmentador híbrido que utiliza de forma integrada técnicas

de crescimento de regiões, agrupamento de regiões, ajuste de bordas e separação de

regiões não homogêneas (SOUSA, 2005; SOUZA et al., 2005; SCOFIELD et al.,

2007). Inicialmente o MultiSeg foi concebido para processar dados SAR em

intensidade, sendo um módulo voltado para imagens óticas desenvolvido

posteriormente.

As imagens podem ser segmentadas por dois modelos de representação, a

serem escolhidos: a) o modelo de manchas (Cartoon) o qual supõe homogeneidade

das regiões na imagem de RADAR, ou; b) o modelo de textura (Texture), que supõe a

presença de heterogeneidade nas regiões, caracterizada pela variação do

retroespalhamento. Os parâmetros que necessitam de definição para o

processamento dos dados SAR no MultiSeg são: a) o processamento das imagens em

amplitude ou intensidade; b) o modelo a ser utilizado (Cartoon ou Texture); c) o Limiar

de Similaridade (LS) e o nível de confiança utilizados nos testes de crescimento e

agrupamento de regiões, indicando os pixels que devem ou não ser agrupados em

uma região; d) a área mínima em pixels que as regiões podem na atingir no último

nível da segmentação; e) o número equivalente de looks (NEL); f) o número de

compressões desejado, e; g) coeficiente de variação utilizado no teste de

homogeneidade no modelo de textura.

A segmentação inicia com a compressão piramidal das imagens, onde a base

da pirâmide (Nível: C1) contém a imagem original sem compressão. Nos níveis

subseqüentes a imagem é comprimida por um fator de 4 em cada nível, formando um

único pixel a partir da média de 4 pixels componentes da imagem anterior sendo C =

{1,...,N}. O processo de crescimento de regiões começa no nível de maior compressão

da imagem, a partir do qual cada pixel selecionado aleatoriamente é considerado

como uma região. A partir destes pixels uma análise de similaridade é efetuada em

relação aos seus vizinhos para indicar quais pixels devem ou não ser agrupados

crescendo a região. A imagem segmentada é obtida ao final dos testes de

agrupamento no nível de maior compactação, considerando a resolução mais

degradada. O próximo passo é descompactar as regiões formadas na segmentação

sucessivamente, onde em cada nível de descompressão as imagens serão 4 vezes

maiores em relação ao nível acima. Efetuar a segmentação no último nível de

compressão diminui a interferência do ruído speckle nos resultados da segmentação,

à medida que a degradação da resolução da imagem nos diferentes níveis de

compressão funciona como um filtro. Entretanto, as bordas geradas pela segmentação

das imagens com menor resolução no maior nível de compressão (por exemplo, C5),

são consideradas grosseiras quando comparadas com a imagem em um nível anterior

de compressão (por exemplo, C4). Para suavizar este efeito é necessário efetuar um

ajuste de bordas. O processo termina quando as descompressões e ajustes de bordas

subseqüentes alcançam o nível C1 da imagem original, sendo efetuado o teste final

para verificar se foram produzidas regiões menores do que o limiar de área

previamente estabelecido.

Este software foi utilizado nas etapas de pré-processamento e determinação

dos métodos de filtragem por ser gratuito e específico para imagens de RADAR. Na

etapa de avaliação de segmentadores o MultiSeg foi comparado com o segmentador

implementado no SPRING.

3.1.1.2 – SPRING: Informações Técnicas

O segmentador implementado no software SPRING considera uma abordagem

tradicional de crescimento de regiões, com algumas modificações implementadas para

amenizar a sensibilidade associada à ordem dos pixels escolhidos para iniciar os

processamentos (BINS et al., 1996).

O fluxo de processamento efetuado pelo software SPRING compreende as

seguintes etapas: a) seleção aleatória inicial de um conjunto de pixels {Ri, i = 1,..,n},

denominados sementes, a partir do quais se inicia o processo de crescimento de

regiões; b) inicialmente cada um destes pixels é considerado uma região, a partir da

qual seus pixels vizinhos serão avaliados sendo os mais similares agrupados,

crescendo a região; c) a média das regiões é recalculada a cada novo pixel agrupado;

d) os mesmos procedimentos são efetuados seqüencialmente até que todos os pixels

da imagem estejam agregados em uma região. Os parâmetros a serem definidos pelo

usuário são a área mínima e o limiar de similaridade que corresponde a diferença

entre as médias das regiões que se deseja separar.

Como o SPRING não é um segmentador programado especificamente para

imagens de RADAR, por este motivo a utilização do software MultiSeg foi priorizada

nas primeiras etapas da tese, sendo o desempenho do SPRING comparado com o do

MultiSeg somente na etapa de determinação do melhor segmentador.

3.2 – Clusterização de Dados

Conforme indicado no Capitulo 3: Item 3.1, diversos métodos são utilizados

para a individualização da geometria dos alvos escuros em imagens SAR, sendo as

técnicas de segmentação de imagens comumente utilizadas para auxiliar nesta tarefa.

Após a divisão das imagens em regiões homogêneas, um pós-processamento para

agrupar estas regiões em alvos escuros e oceano é necessário. A limiarização

adaptativa é a técnica mais comumente utilizada para o agrupamento das regiões

resultantes do processo de segmentação (TOPOUZELIS et al., 2007b; GALLAND et

al., 2003 e 2004). CHANG et al. (2005) e KERAMITSOGLOU et al. (2006) utilizaram

interpolação por vizinho mais próximo para agrupar os pixels; MIRANDA et al. (2004)

utilizaram o ISODATA para separar em clusters os alvos escuros e o oceano. BJERDE

et al. (1993), GASULL et al (2002) e LOPEZ et al. (2005) utilizaram o termo

clusterização, mas não informaram qual método e qual(is) o(s) atributo(s) utilizado(s).

Considerando as desvantagens associadas ao método de limiarização

indicadas no item 3.1 e o objetivo de propor um método para a detecção de alvos

escuros que possa ser implementado operacionalmente de forma automática, o estudo

realizado investigou a utilização de clusterização de dados para agrupar as regiões

resultantes da segmentação de imagens. Esta proposta é interessante à medida que a

performance de diferentes atributos na separação dos clusters pode ser investigada.

O processo de agrupamento de objetos físicos ou abstratos em classes é

denominado clusterização ou classificação não supervisionada (CHEN et al., 1996).

Um cluster é um agrupamento de objetos que são similares entre si e dissimilares em

relação aos objetos contidos em outros clusters (HAN & KAMBER, 2001). O

agrupamento destes objetos é efetuado automaticamente a partir do reconhecimento

de padrões intrínsecos ao conjunto de dados utilizado. Neste contexto, a seleção de

atributos capazes de discriminar os diferentes clusters contidos em um conjunto de

dados é essencial para melhorar o desempenho da clusterizações no reconhecimento

de padrões (JAIN et al., 1999).

Técnicas voltadas para a análise de cluster são capazes de fornecer novos

significados, novas informações através da partição de um grande conjunto de dados

em componentes menores. A clusterização identifica regiões com alta concentração

de objetos dotados de propriedades semelhantes com base em alguma medida de

distância dentro de um conjunto de dados multidimensional. Esta técnica fornece

como resultado novos padrões de distribuição para o conjunto de dados (CHEN et al.,

1996) e interessantes correlações existentes entre os dados (HAN & KAMBER, 2001).

Técnicas de clusterização têm sido estudadas em diversas áreas com ênfases

diferentes, dentre elas: estatística, aprendizado de máquina, banco de dados espacial,

e mineração de dados. Na literatura existe um grande número de algoritmos de

clusterização disponíveis. A escolha do algoritmo a ser utilizado dependerá do objetivo

proposto e do tipo de dados a ser analisado. De maneira geral, os métodos de

clusterização podem ser classificados em 5 categorias (HAN & KAMBER, 2001): a)

métodos de partição; b) métodos hierárquicos; c) métodos baseados em densidade; d)

métodos baseados em malhas (grid-based), e; e) métodos baseados em modelo

(model-based).

Métodos de partição: Dado um banco de dados com n objetos, um método de

partição produz como resultado k partições, onde cada partição representa um cluster

sendo k ≤ n. As k partições devem atender requisitos como: (a) cada grupo deve

conter pelo menos 1 objeto, e; (b) cada objeto deve pertencer a um único grupo.

Dado k, número de partições a ser atingido, um método de partição cria uma

partição inicial a partir da qual, através de uma técnica de relocação interativa pode

melhorar o particionamento através da movimentação de objetos de um grupo para

outro. O critério geral a ser avaliado para uma boa partição do espaço de atributos é o

de que objetos constituintes de um mesmo cluster sejam semelhantes uns aos outros

e diferentes de objetos pertencentes a outros clusters. Neste contexto existem

diversos critérios para avaliar a qualidade das partições.

Dentre os métodos de partição, os mais conhecidos e comumente utilizados,

são “K-Means” e “k-Medoids” (JAIN et al., 1999; ANDRADE, 2004). O método “K-

Means” é baseado no conceito estatístico do centróide, onde cada cluster é

representado pelo valor médio dos objetos que o compõe, esperando que a

semelhança entre os objetos dentro do mesmo grupo ou cluster seja alta e a

semelhança entre objetos de clusters diferentes seja baixa. Em contrapartida, o

método “K-Medoids” busca diminuir a sensibilidade a objetos isolados, deixando de

levar em conta o centro do grupo como ponto de referência para utilizar o medóide,

que é o objeto localizado mais próximo ao centro do grupo. Assim, este método pode

abrandar a influência de objetos isolados, baseando-se no princípio de minimização da

diferença, ou baixa semelhança, entre os objetos de um grupo/cluster e o seu ponto

de referência (ANDRADE, 2004; HAN & KAMBER, 2001).

Métodos hierárquicos: Um método hierárquico funciona através da criação de

uma decomposição hierárquica para um dado conjunto de dados. Métodos

hierárquicos podem ser classificados como aglomerativos e divisivos dependendo de

como a decomposição é realizada. Métodos aglomerativos (bottom-up) inicialmente

consideram cada objeto separadamente, a partir do qual após fusões sucessivas com

objetos semelhantes formam grupos separados. Estas fusões são realizadas até que

um determinado critério de parada seja estabelecido. A abordagem divisiva (top-

down), ao contrário da aglomerativa, inicia considerando todos os objetos como

membros de um mesmo cluster e após interações sucessivas os clusters vão sendo

divididos em clusters menores até que os limiares estabelecidos sejam atingidos.

Métodos baseados em densidade: Devido à falta de habilidade que os

algoritmos baseados em métodos particionais têm em descobrir grupos com formas

arbitrárias, isto é, grupos que apresentam objetos dispersos em uma distribuição

espacial bastante irregular, foram desenvolvidos métodos de clusterização baseados

em densidade. Estes métodos consideram tipicamente os grupos como regiões

densas de objetos separados no espaço por regiões de baixa densidade – que,

normalmente, representam algum tipo de ruído (ANDRADE, 2004).

Métodos baseados em malhas (grid-based): Estes métodos quantificam o

espaço de objetos em um número finito de células formando uma malha de dados com

estrutura em múltipla resolução, a partir da qual são efetuadas operações de

clusterização. Esta abordagem tem como ganho seu rápido processamento, pois não

depende diretamente do número de objetos a serem analisados e sim do número de

células em cada dimensão do espaço quantificado.

Métodos baseados em modelo (model-based): Os métodos baseados em

modelos criam um modelo hipotético para cada grupo desejado e procuram ajustar os

dados da melhor maneira ao modelo criado. Algoritmos baseados em modelos são

capazes de descobrir os clusters através de funções de densidade que refletem a

distribuição espacial dos dados. Este método também permite determinar

automaticamente o número de clusters baseados em padrões estatísticos,

considerando a presença de ruídos ou outliers - dados fora do padrão –

proporcionando o desenvolvimento de algoritmos robustos.

Apesar da variedade de métodos e algoritmos, o processo de clusterização é

considerado subjetivo, uma vez que um mesmo conjunto de dados pode ser

particionado de forma diferente a partir da utilização de diferentes métodos (JAIN et

al., 1999). Em certos casos, um mesmo método aplicado a um mesmo conjunto de

dados pode convergir em diferentes soluções de agrupamento ao final das interações.

Esta subjetividade é o que torna o processo de clusterização uma tarefa difícil.

Especificamente para o caso da detecção automática de alvos escuros em

imagens SAR, os quais podem estar associados a derramamento de óleo, os

resultados do agrupamento das regiões resultantes da segmentação em alvos escuros

e oceano precisam ser estáveis. Não seria viável utilizar operacionalmente um

método de agrupamento que, a cada novo processamento, retornasse uma solução

diferente para os clusters.

Desta forma, a capacidade de garantir a integridade e a replicabilidade dos

resultados, retornando sempre os mesmos agrupamentos toda vez que um processo

de clusterização for efetuado a partir de um mesmo conjunto de dados, é essencial

para a automatização do sistema. No âmbito da tese, o método de clusterização

denominado Focal Point, implementado no software Clustan (WISHART, 2004) foi

utilizado por oferecer, de forma diferente dos demais métodos ou programas,

estabilidade e replicabilidade dos resultados. O item 3.2.1 disponibiliza os detalhes

técnicos sobre o software.

3.2.1 – Clustan: Informações Técnicas

O algoritmo de clusterização denominado Focal Point (FP), implementado no

software Clustan, utiliza o método de partição k-means para efetuar o agrupamento

dos dados (WISHART, 2004). Além de ser considerado clássico na literatura, o

método K–means possui fácil implementação e baixo custo computacional, sendo

comumente utilizado em grandes conjuntos de dados, produzindo resultados

satisfatórios (MACQUEEN, 1967; JAIN et al., 1999). Os padrões de similaridade

utilizados para separar as regiões em diferentes clusters são obtidos a partir de

métricas de distância, sendo a Distância Euclidiana utilizada no software. O k-means

e outros diversos métodos de clusterização são sensíveis à partição inicial, ou seja, a

ordem das regiões escolhidas para iniciar o processo de clusterização (JAIN et al.,

1999), o que pode retornar diferentes resultados para um mesmo conjunto de dados a

cada nova interação. A garantia de retornar sempre um mesmo resultado através de

uma série de testes efetuados ao longo das interações constitui o diferencial do FP.

No estudo proposto os procedimentos de clusterização foram efetuados a partir

de diferentes atributos (j = {1,..., η}) calculados para cada região (i = {1,...,m})

resultante das segmentações, com o objetivo de agrupá-las em p clusters (p =

{1,...,q}), retornando como resultado uma imagem binária, separando os alvos escuros

do oceano.

Para avaliar a qualidade das clusterizações e garantir o retorno do melhor

resultado, a métrica utilizada pelo software equivale à média da soma dos quadrados

das distâncias euclidianas (ME) obtidas para cada cluster p (Ep). De acordo com

WISHART (2004), Ep equivale à soma dos quadrados das distâncias de todas as

regiões agrupadas no cluster p em relação à média deste cluster, sendo:

(1)

























pij

pi j

A notação j se refere às variáveis utilizadas na clusterização, sendo x

o valor

de uma variável j associado a uma região i. A média em um determinado cluster p é

representada por µ

, e η corresponde ao número total de variáveis. Se os clusters

foram bem separados, as distâncias associadas a cada região estarão próximas à

média do cluster onde a região foi agrupada.

Portanto, a convergência do melhor resultado é garantida pela ME,

representada pela equação (2) ME = Σ

onde, uma determinada região (i) somente

será retirada de um cluster p e realocada em um cluster q quando (3) E

p-i

+ E

q+i

< E

. Desta forma, o FP inicia a clusterização pelo método k-means agrupando

interativamente cada região em um determinado cluster buscando minimizar o critério

ME considerando E

calculado para todos os clusters encontrados. Esse processo

termina quando qualquer alteração nos membros dos clusters não aumenta nem

diminui o valor obtido para ME, sendo este o teste de relocação efetuado pelo software

(WISHART, 2004).

Os processamentos efetuados pelo FP estão divididos em duas etapas: a) em

um primeiro estágio o software utiliza todas as variáveis e seleciona as regiões

randomicamente para iniciar as clusterizações, retornando ao final um ranking com as

melhores soluções encontradas considerando ME. Neste processo a reproducibilidade

das diferentes soluções encontradas também é considerada. Neste estágio o software

também identifica valores inexistentes e as substitui automaticamente pela média da

variável no referido cluster. Algumas regiões podem não ser agrupadas neste estágio

da clusterização por estarem se comportando como outliers, evitando a distorção dos

clusters. Estas regiões são identificadas se estiverem a uma distância (d

) do cluster

mais próximo, quando comparadas com a maior distância (d) obtida entre uma região

e a média do referido cluster. Regiões consideradas duvidosas por estarem

localizadas exatamente entre 2 clusters também podem não ser classificadas nesta

etapa; b) em um segundo estágio, as regiões não agrupadas em alvos escuros ou

oceano no primeiro estágio são agrupadas nos clusters encontrados, considerando as

mínimas distâncias em relação a media dos clusters definidos no primeiro estágio.

As características que tornam o método FP implementado no software Clustan

diferente dos demais programas de clusterização são (WISHART, 2004): a) a

realização do teste de relocação das regiões com base na ME, garantindo que a

clusterização convergiu para o melhor resultado passível de ser obtido a partir do

conjunto de dados considerado; b) este teste também avalia a sensibilidade do

clusterizador com a alteração randômica da ordem com que as regiões são

inicialmente consideradas na formação dos clusters, compilando ao final as melhores

soluções; c) a disponibilização de uma lista com os melhores resultados obtidos, onde

o usuário decide qual será o modelo escolhido; d) o cálculo da reproducibilidade de

cada solução encontrada para a clusterização, considerando a freqüência de

ocorrência dos clusters em relação ao número de tentativas efetuadas; e) a

identificação de variáveis e nulas e outliers.

3.3 – Avaliação dos Resultados obtidos para Detecção de Alvos Escuros em

Imagens SAR

O uso operacional de Sistemas de Detecção Automática de Óleo com base em

imagens de RADAR exige uma rápida performance, bem como resultados dotados de

alta confiabilidade produzidos com o mínimo de intervenção humana possível

(BREKKE & SOLBERG, 2005). Como o grau de confiabilidade é diretamente

influenciado pela qualidade da geometria dos alvos escuros extraídos das imagens, os

métodos de segmentação, bem como de agrupamento das regiões, possuem

importância significativa por exercerem influência nas demais etapas de

processamento. Neste sentido, um método eficiente para avaliar qualitativa e

quantitativamente os resultados gerados por diferentes procedimentos de

segmentação possui importância estratégica para uma implementação eficiente destes

sistemas (MEINEL & NEUBERT, 2004; NEUBERT et al., 2006).

De acordo com LUCCA (1999), SOUSA (2005), NEUBERT et al. (2006) e

SCOFIELD et al., (2007) existe uma diversidade de métodos de avaliação propostos

para comparar o desempenho de algoritmos de segmentação em relação às regiões

(DELVES et al., 1992, QUEGAN et al., 1988; CAVES et al., 1998;) e em relação às

bordas (PRATT, 1991; ROMÁN-ROLDÁN et al., 2001). Grande parte destes métodos

adota abordagens quantitativas, basicamente métodos de discrepância empírica, os

quais analisam o número de pixels erroneamente classificados em relação a uma

segmentação de referência (NEUBERT et al., 2006).

Segundo ZHANG (1996), os algoritmos de segmentação podem ser avaliados

por métodos analíticos ou métodos empíricos. Os métodos analíticos examinam

diretamente o algoritmo de segmentação analisando seus princípios e suas

propriedades (ZHANG, 1996; LUCCA et al., 1998; LUCCA, 1999; SOUSA, 2005). Os

métodos empíricos - de qualidade e de discrepância - avaliam indiretamente o(s)

algoritmo(s) utilizado(s), sendo que: a) os métodos empíricos de qualidade são

fundamentados a partir de uma comparação visual entre os produtos de segmentação,

considerando a experiência do intérprete na avaliação e definição dos melhores

produtos, e; b) os métodos de discrepância analisam a qualidade do segmentador

comparando os resultados de segmentos gerados utilizando diversas métricas em

relação a uma segmentação de referência e indicam a precisão e eficiência do

algoritmo (ZHANG, 1996; LUCCA et al., 1998; LUCCA, 1999; SOUSA, 2005;

SCOFIELD et al., 2007).

Neste trabalho, os métodos de avaliação qualitativa (métodos empíricos de

qualidade) e quantitativa (métodos de discrepância) (DELVES et al., 1992) foram

utilizados para avaliar comparativamente imagens binárias contendo, não as regiões

resultantes da segmentação, mas os polígonos resultantes do agrupamento destas

regiões em alvos escuros e oceano. No âmbito da tese, o termo regiões foi a

nomenclatura adotada para indicar os polígonos resultantes do processo de

segmentação. Esta denominação foi escolhida em função do próprio método de

segmentação utilizado, o qual trabalha com crescimento de regiões, individualizando

áreas com NC homogêneos, caracterizados em regiões claras e escuras na imagem.

O termo alvo escuro refere-se ao agrupamento das regiões provenientes da

segmentação, individualizando a geometria peculiar dos diferentes tipos de alvos

escuros (Capítulo 2) passíveis de ocorrerem em imagens SAR adquiridas em áreas

oceânicas. A Figura 3.3 disponibiliza uma ilustração com as diferenças entre estas

duas definições utilizadas ao longo da tese.

Figura 3.3 – Ilustração das definições referentes a terminologia adota ao longo da tese.

Para calcular as métricas de avaliação, imagens de referência binárias

(Phantons), considerando as categorias alvos escuros e oceano, foram elaboradas

manualmente com o máximo de detalhamento possível por um intérprete experiente.

Uma segmentação prévia das imagens para auxiliar na elaboração dos Phantons não

foi utilizada para evitar que os resultados fossem tendenciosos, uma vez que

diferentes segmentadores foram testados (Capítulo 5: item 5.3). Neste contexto,

mesmo com as imprecisões associadas à elaboração manual dos Phantons, a

experiência do intérprete foi valorizada. Importante destacar que esta imprecisão,

associada à delimitação das bordas que separam os alvos escuros do oceano,

Alvo

Escuro

Oceano

também ocorre nos processamentos automáticos, em função do ruído speckle e outros

fatores de interferência descritos no Capítulo 2 (item 2.2).

Foram utilizados 2 tipos de métricas; a) calculadas no nível de regiões,

considerando os polígonos resultantes do agrupamento dos segmentos/regiões

produzidas pelas segmentações, e; b) métricas calculadas no nível do pixel a partir da

matriz de confusão.

3.3.1 – Métricas calculadas no Nível das Regiões

Conforme comentado anteriormente, o cálculo das métricas envolve duas

imagens: a) a imagem resultante do agrupamento das regiões em alvos escuros e

oceano, denominada g

, e; b) a imagem de referência (Phanton), contendo alvos

escuros e o oceano, denominada g

. As regiões, ou polígonos que representam os

alvos escuros e o oceano nas imagens g

e g

são respectivamente denominadas ra e

rp, sendo as funções de segmentação g

: S → {ra

, ..., ra

} e g

: S → {rp

, ... , rp

onde n e m são o total de polígonos nas imagens g

e g

, respectivamente. O símbolo

S refere-se à representação das imagens em uma matriz bidimensional (S) formada

por linhas (l) e colunas (c), sendo S = {1...l} x {1...c}, onde cada elemento constitui um

pixel, dotado de coordenadas (x, y) e de um Nível de Cinza (NC) associado.

De acordo com DELVES et al. (1992) e LUCCA (1999), considerando que o

número de regiões agrupadas em alvos escuros e oceano (n) freqüentemente difere

do número de regiões definidas no Phanton (m), é necessário: a) sobrepor estas

imagens (g

e g

); b) comparar os pares de polígonos (rp

, ra

) contidos nas duas

imagens, onde j = {1,..., m) e i = {1,...,n}; c) e efetuar uma associação entre estas

regiões. O processo de associação entre as regiões contidas em g

e g

é efetuado

através da construção de duas matrizes (Gf) e (Fit) ambas com dimensões m x n. A

notação utilizada foi:

Irp

Ira

para indicar a média dos NC no k-ésimo polígono,

e; N(k

), N(k

) para indicar o número de pixels contidos no k-ésimo polígono de g

e g

respectivamente. As matrizes Gf e Fit foram construídas através da seguintes

operações:

(1)

)(

),(

rpN

ijGf







(2)

 

),(

)2/)((

),(

rpGf

idpdydxd

ijFit





onde:

(3)

ijxd



),(

(4)

ijyd



),(

(5)

)()(

),(

raN

rpN

raN

rpN

ijpd







(6)







Ira

Irp

Ira

Irp

ijid ),(

Cada um dos componentes das matrizes Fit e Gf indicados nas equações (1 e

2) efetuam uma comparação entre um par de polígonos ou regiões (rp

, ra

fornecendo: medidas de posicionamento no plano xy (xd e yd), intensidade média (id)

e tamanho (pd). O componente xd (equação: 3) corresponde à diferença entre a média

da posição de pixels existentes no eixo x para rp

e ra

, dividida pela dimensão da

imagem no eixo das abcissas (n

de colunas c). A mesma operação é efetuada para o

componente yd (equação: 4), sendo este calculado em relação ao eixo das ordenadas

de linhas l). Estas duas métricas fornecem informações sobre o erro de

posicionamento entre os centros geométricos (centróides) das duas regiões

comparadas. O componente pd (equação: 5) efetua uma relação entre os números de

pixels que compõe os dois polígonos ou regiões comparadas, fornecendo uma métrica

de tamanho relativo entre as mesmas. Já o componente id (equação: 6) analisa as

propriedades dos NC entre as regiões comparadas mensurando a diferença entre as

intensidades médias dos pixels componentes das regiões comparadas (rp

, ra

Como resultado final deste procedimento, quanto maior for o valor de Gf

(equação: 1) obtido após a sobreposição de duas regiões rp

e ra

, menor será o valor

de Fit (equação: 2) na posição correspondente (rp

,ra

). Desta forma, cada uma das

regiões rp {rp

, ..., rp

} no Phanton será associada a uma única região ra {ra

, ..., ra

considerando o menor valor de Fit obtido na matriz (DELVES et al., 1992). A Figura

3.4 disponibiliza um esquema de como é feito o ajuste de regiões entre as duas

imagens.

Figura 3.4 - Esquema de como é efetuado o ajuste de regiões entre as duas imagens: exemplo

focado para no ajuste efetuado para os alvos escuros.

Tendo como base o ajuste de regiões efetuado (rp

, ra

) é possível avaliar cada

região ou polígono da imagem agrupada g

individualmente em relação à imagem de

referência g

, calculando as 4 métricas indicadas a seguir (DELVES et al., 1992;

LUCCA, 1999; SCOFIELD et al., 2007):

(7)

ydxd

Fitxy





(8)

)()(

raN

rpN

raN

rpN

Fitn







(9)







Ira

Irp

Ira

Irp

Fiti 1

(10)

)(

rpN







Todas as métricas descritas acima foram padronizadas em um intervalo [0, 1] ,

onde o valor 1 representa o melhor ajuste. Para cada polígono da imagem agrupada

ajustado em relação ao Phanton é obtido um valor referente às 4 métricas calculadas.

Para se obter uma avaliação global dos resultados do agrupamento são computadas

as médias para cada métrica, considerando o número de regiões/polígonos que

compõe o Phanton no recorte de cena avaliado. Posteriormente, a distância euclidiana

£2

) entre a média das quatro métricas indicadas nas equações 7, 8, 9 e 10, pode ser

obtida para sintetizar os resultados, sendo expressa por:

(11) d

£2

)1(

)1(  GformaFi tnFi tiFi txy

rp1

rp2

rp3

rp4

rp5

rp6

ra2

ra1

ra3

rap4

ra6

ra5

ra7

ra8

ra9

Ajuste

Nulo

Ajuste

Quase

Perfeit

(rp3,ra3)

(rp2,ra2)

A variação de d

£2

está entre 0 e 2, sendo o melhor resultado a menor distância

£2

obtida em relação aos objetos ou polígonos da imagem de referência g

(NEUBERT et al., 2006).

Outra métrica calculada no nível das regiões foi o número de alvos escuros

detectados em relação ao Phanton (IPol), calculado a partir da intersecção dos

polígonos entre a imagem agrupada (g

) e a imagem de referência (g

3.3.1 – Métricas Calculadas no Nível dos Pixels

Como o objetivo da tese não foi avaliar diretamente os resultados dos

procedimentos de segmentação, mas sim o resultado do agrupamento das regiões

resultantes das segmentações, o cálculo de métricas a partir de uma matriz de

confusão também foi utilizado. Matrizes de confusão são comumente utilizadas para

avaliar a qualidade de uma classificação ou mapeamento. Considerando que o

interesse das análises efetuadas foi avaliar a separação dos alvos escuros do oceano,

o estudo realizado também remete a um típico problema de classificação no qual se

deseja obter duas classes. Neste sentido, a imagem contendo o agrupamento das

regiões em alvos escuros e oceano também pode ser interpretada como uma

classificação.

Para o cálculo da matriz de confusão foi utilizado o domínio do pixel,

comparando-se as duas imagens binárias, Phanton e imagem segmentada agrupada

nas classes Alvo Escuros (E) e Oceano (O). A Tabela 3.1 indica a matriz de confusão

aplicada no domínio do pixel, depois do agrupamento das regiões.

Tabela 3.1 - Matriz de confusão para o agrupamento das regiões em alvos escuros e oceano.

A nomenclatura adotada na matriz de confusão foi: a) NEE: número de pixels

escuros associados a alvos escuros corretamente agrupados como alvos escuros; b)

NOO: número de pixels claros associados ao oceano corretamente agrupados como

oceano; c) NEO: número de pixels escuros associados aos alvos escuros

erroneamente agrupados como oceano, e; d) NOE: número de pixels claros

associados ao oceano erroneamente agrupados como alvos escuros. Tendo como

base a matriz de confusão as métricas foram computadas considerando somente os

acertos e os erros ao redor dos alvos escuros.

Esta escolha foi efetuada, considerando que as amostras de alvos escuros e

de oceano em imagens SAR não são balanceadas, proporcionalmente, há muito mais

oceano do que alvos escuros. KUBAT et al. (1998) abordou o problema das amostras

não balanceadas, especificamente no âmbito dos sistemas automáticos para a

detecção de óleo no mar, destacando que, nestes casos, métricas de avaliação global

não podem ser utilizadas como medidas de desempenho. Por este motivo, ressalta-se

que no trabalho não foram utilizados a exatidão global e coeficientes de avaliação

como o Kappa. Testes foram efetuados para a utilização do Kappa, entretanto, os

coeficientes gerados eram sempre bons, uma vez que para o oceano os índices de

acerto são, proporcionalmente, muito maiores, mascarando as imprecisões

observadas na classificação dos alvos escuros.

Desta forma, as métricas utilizadas desconsideraram a porção NOO da matriz

de confusão, considerando somente NEE, NEO e NOE para a composição das

métricas denominadas Fração de Intersecção entre a Classificada e o Phanton,

Omissão, Inclusão e Exatidão dos Alvos Escuros, especificadas abaixo:

Fração de Intersecção entre a Classificada e o Phanton (FInt): indica a

proporção de pixels de alvos escuros detectados pela classificação em relação aos

pixels de alvo escuros do Phanton. Pode ser representada pelo número de pixels da

intersecção de alvos escuros do Phanton e da imagem classificada, dividido pelo

número de pixels escuros do Phanton, sendo:

(12)

NEONEE

NEE

FInt





Essa fração permite visualizar a proporção de alvos escuros do Phanton que

foram mapeados, porém não evidencia os erros de inclusão.

Omissão (Om): indica quanto a classificação errou associando pixels de alvos

escuros ao oceano, alterando o formato destes alvos em relação à imagem de

referência (g

), sendo:

(13)

NEONEE

NEO





Inclusão (In): indica quanto a classificação errou associando pixels de oceano a

alvos escuros, alterando o formato destes alvos em relação à imagem de referência

), sendo:

(14)

NEONEE

NOE





Exatidão dos Alvos Escuros (ExAE): esta métrica foi definida com o objetivo de

sintetizar em um único índice as métricas referentes à matriz de confusão relacionadas

unicamente aos alvos escuros. Neste sentido, de forma diferente da FInt, a

intersecção dos alvos escuros foi dividida pela união de todas áreas escuras (Phanton

ou imagem classificada). Quando esse índice se aproxima de 1 indica que o alvo

escuro na imagem classificada está mais próximo do Phanton considerando os dois

tipos de erro.

(15)

NOENEONEE

NEE

ExAE





Além destas métricas, o tempo de processamento, calculado numa mesma

plataforma computacional, juntamente com uma avaliação qualitativa, considerando a

opinião do intérprete sobre os resultados obtidos ao longo da tese, também foi

considerado.

CAPÍTULO 4

METODOLOGIA E RECURSOS UTILIZADOS

Considerando o estado da arte em técnicas de segmentação de imagens e

clusterização, a metodologia proposta tem por objetivo estabelecer um procedimento

automático para a detecção de polígonos representativos para os diversos tipos de

alvos escuros identificáveis em imagens SAR (Capitulo 2). A Figura 4.1 contém um

fluxograma das etapas vislumbradas para o funcionamento completo do sistema

destacando as etapas a serem desenvolvidas no estudo proposto.

Figura 4.1 – Etapas de processamento envolvidas no sistema de detecção automática de óleo

e ocorrências ambientais.

Os procedimentos metodológicos propostos neste trabalho estão organizados

em 6 etapas distintas (Figura 4.2): a) definição do conjunto de dados: formato dos

dados e seleção dos recortes de cena; b) determinação do espaçamento de pixel mais

adequado para as imagens; c) determinação do filtro e da janela a serem utilizados no

pré-processamento das imagens; d) detecção de regiões escuras e claras através de

técnicas de segmentação de imagens de satélite, determinando o segmentador mais

adequado; e) determinação de um procedimento de clusterização não supervisionado

para a produção de polígonos representativos para alvos escuros detectáveis em

Etapas

Estudadas

Oceano

Algas

Sim

imagens SAR, e; f) validação do método proposto. Estas etapas estão detalhadas nas

seções 4.1, 4.2, 4.3, 4.4, 4.5 e 4.6.

Figura 4.2 – Etapas integrantes da metodologia proposta na tese.

4.1 – Etapa 1: Conjunto de Dados - Informações Técnicas e Seleção de Exemplos

Imagens provenientes do satélite RADARSAT-1, Banda C (freqüência de

5,3GHz e comprimento de onda de 5,6cm), polarização HH, nos modos de

imageamento ScanSAR Narrow e ScanSAR Wide foram cedidas pela PETROBRAS

para os estudos propostos. Como no momento da seleção dos exemplos o satélite

RADARSAT-2 ainda não estava operacional, imagens deste satélite não foram

utilizadas. A Tabela 4.1.apresenta a configuração dos modos de imageamento do

RADARSAT 1 utilizados na tese.

Tabela 4.1 - Configuração dos modos de imageamento do satélite RADARSAT-1 adequados ao

monitoramento costeiro e oceânico

Os produtos utilizados são formados a partir da junção de 2 ou mais modos

únicos denominados single look. Estas imagens são denominadas multi-look, sendo o

dado complexo disponível apenas para os modos single look. O modo ScanSAR

Narrow - com número de looks igual 4 - é formado a partir da junção de 2 ou 3 modos

single look, enquanto que os produtos ScanSAR Wide - com número de looks igual a 8

- são formados pela junção de 4 modos single look.

Embora as imagens possam ser fornecidas no formato bruto CEOS, para

garantir o caráter operacional da atividade os produtos são entregues em tempo

próximo do real no formato compactado MrSid (Multi-resolution Seamless Image

Database) com resolução radiométrica de 8 bits. A possibilidade de utilizar os dados

no formato CEOS foi avaliada, entretanto, o tempo médio gasto para o download

destes dados é alto (35min) quando comparado com o tempo gasto para o download

dos dados no formato MrSid (segundos). Complementarmente, os dados no formato

compactado, são entregues georreferenciados, filtrados e com correção do padrão de

antena, processamentos necessários para a utilização dos dados no formato CEOS.

As imagens RADARSAT utilizadas pela PETROBRAS são processadas em

três estações de recepção, duas localizadas no Canadá (Prince Albert e Gatineau) e

uma na Argentina (CONAE). Apesar dos dados serem processados em três locais

diferentes, um dos operadores da estação Gatineau garantiu que há um padrão no

pré-processamento dos dados utilizado em todas as estações de recepção (GAMBLE,

2008). Esta informação é importante à medida que diferentes pré-processamentos

podem influenciar nos resultados obtidos para a detecção de óleo e assemelhados. De

acordo com GAMBLE (2008), as imagens são compactadas em 10 vezes (10: 1),

reduzindo o tamanho dos arquivos de 100-150 Mb para 10-15 Mb no formato MrSid

sem reduzir as dimensões da imagem. Embora a compactação seja imprescindível em

função do caráter operacional da atividade, é importante ressaltar que o processo de

compactação/descompactação altera as propriedades estatísticas das imagens SAR.

O teste de Kolmogorov-Smirnov

, comparando uma mesma imagem

RADARSAT no formato CEOS e descompactada a partir do formato MrSid, rejeita a

hipótese nula de que as distribuições estatísticas são iguais nos dois formatos com p-

value igual a zero. A rejeição da hipótese nula comprova que as propriedades

estatísticas das imagens são alteradas após a compressão dos dados no formato

O teste de Kolmogorov-Smirnov é utilizado para evidenciar se duas amostras independentes

possuem o mesmo tipo de distribuição estatística.

MrSid. A Figura 4.3 disponibiliza os histogramas e os box plots para uma mesma

imagem no formato CEOS e MrSid, juntamente com os atributos estatísticos de média,

mediana, mínimo, máximo e desvio padrão, evidenciando as diferenças.

Figura 4.3 - Histogramas e box plots para uma mesma imagem no formato CEOS e MrSid.

Apesar da compactação alterar as propriedades estatísticas das imagens, esse

formato foi utilizado considerando que a hipótese da tese foi desenvolver um método

para detecção automática de alvos escuros com potencial para ser utilizado

operacionalmente.

Para a tese foram selecionados 14 recortes de cena, 11 para efetuar as

análises e 3 para validar o método proposto ao final da tese. A Tabela 4.2 contém a

data das cenas e os parâmetros de aquisição das imagens pelo sensor para cada um

dos recortes de cena utilizados.

Tabela 4.2 - Data das cenas e parâmetros de aquisição das imagens pelo sensor para os

recortes de cena selecionados.

A seleção de exemplos constitui etapa essencial para o desenvolvimento de

qualquer metodologia que tenha por objetivo propor um sistema para a detecção

automática de alvos escuros em imagens SAR. Considerando os inúmeros fatores

peculiares às imagens SAR, os quais dificultam a detecção dos alvos escuros

(Capitulo 2), a escolha de recortes de cena individualizando alvos escuros com bom

contraste em relação ao oceano pode levar a conclusões precipitadas sobre a

possibilidade ou não de automatização do sistema.

Neste contexto, a seleção realizada buscou refletir ao máximo a realidade

encontrada nas imagens SAR, incluindo: a) recortes de cena considerados fáceis, nos

quais um único alvo escuro, com geometria simples e bom contraste em relação ao

oceano foram individualizados; b) recortes de cena considerados difíceis, contendo

mais de um tipo de alvo escuro, em diferentes escalas, com geometria variável; c)

alvos escuros ocorrendo simultaneamente com baixas intensidades de vento,

dificultando a detecção em função da variação do contraste entre estes alvos escuros

e o oceano, e; d) recortes de cena com falhas no processamento efetuado para gerar

as imagens, como a descontinuidade dos NC entre faixas de imageamento distintas. A

Tabela 4.3 apresenta uma descrição das características dos recortes de cena

RADARSAT selecionados, indicando: a) o tamanho dos recortes de cena em pixels; b)

o número de alvos escuros individualizados; c) a complexidade da geometria; d) a

existência de alvos escuros de diferentes tamanhos no mesmo recorte; e) se o

contraste entre os alvos escuros e o oceano era instável ao longo de todo recorte ou

apresentava variações; f) se a imagem apresentava falhas de processamento ou não,

e; g) se nos recortes havia apenas um tipo de alvo escuro – óleo(s) ou assemelhado(s)

- ou os dois tipos de evento – óleo(s) e assemelhado(s).

Tabela 4.3 – Características associadas à seleção dos recortes de cena utilizados.

4.2 – Etapa 2: Determinação do Espaçamento de Pixel

O estudo realizado utilizou um recorte de uma cena RADARSAT-1 (1671 linhas

X 922 colunas) adquirida em 03/04/2002 no modo ScanSAR Narrow com

espaçamento de pixel de 50m, largura de faixa de 300km, polarização HH, número de

looks igual a 4 entregue em 8 bits no formato compactado MrSid (Figura 4.4).

IMAGEM RADARSAT-1 (03/04/2002) MODO: SCANSAR NARROW - ASCENDENTE

Figura 4.4 – Recorte da cena RADARSAT-1 (03/04/2002) utilizada no estudo proposto.

O recorte da cena RADARSAT-1 com 50m de espaçamento de pixel foi

reamostrado para 100m, 150m e 200m utilizando o método de reamostragem por

vizinho mais próximo no software ENVI, com o objetivo de não alterar as propriedades

radiométricas das imagens. Todas as imagens foram segmentadas no software

MultiSeg (SOUSA, 2005; SOUSA et al., 2005), escolhido por ser gratuito e

programado especificamente para imagens de RADAR. Estudos para identificar qual o

melhor modo de processamento e quais os parâmetros adequados para serem

utilizados no software MultiSeg foram realizados. Os segmentos, regiões claras e

escuras geradas para cada espaçamento de pixel, foram agrupados em 2 categorias,

alvos escuros e oceano, considerando como atributo a média dos níveis de cinza (NC)

para cada segmento ou região. A técnica de agrupamento utilizada foi limiarização por

Médias, sendo o limiar definido interativamente pelo intérprete, escolhendo o valor de

partição que retornou visualmente o melhor resultado. Finalmente, computando-se as

métricas de avaliação descritas na seção 3.3, as quais relacionam a imagem

resultante dos agrupamentos com a imagem de referência (Phanton), foi determinado

o espaçamento de pixel mais adequado. A Figura 4.5 ilustra a metodologia adotada

para investigar o espaçamento de pixel adequado para o processamento dos dados

RADARSAT para a metodologia proposta.

Escuro

Figura 4.5 – Metodologia adotada para investigar o espaçamento de pixel adequado para o

processamento dos dados RADARSAT no sistema de detecção automático.

4.3 – Etapa 3: Determinação do Filtro/Janela

Após a determinação do espaçamento de pixel mais adequado a ser utilizado

foram testados os filtros Frost, Frost Enhanced, Lee, Lee Enhanced, Kuan, Gamma,

Sigma e Mediana, todos aplicados considerando as dimensões das janelas de 3x3,

5x5 e 7x7. O mesmo recorte de cena da primeira etapa foi utilizado como dado de

entrada para investigação dos diferentes filtros (Figura 4.4). Os recortes de cena sem

filtro e filtrados, considerando os diferentes filtros e janelas, foram segmentados no

software Multiseg retornando regiões escuras e claras. Estas regiões foram agrupadas

por limiarização em alvos escuros e oceano e estes foram avaliados

comparativamente com a imagem de referência (Phanton), seguindo a mesma

metodologia descrita no item 4.2. No total foram produzidos 25 resultados a serem

comparados com o Phanton elaborado com o espaçamento de pixel definido como

mais adequado no item 4.2. Definir se a aplicação de um filtro na fase de pré-

processamento das imagens oferece melhoria significativa nos resultados da

segmentação e qual dos filtros/janela oferece melhor resultado foi o objetivo desta

etapa. A Figura 4.6 ilustra a metodologia utilizada para determinar o melhor

filtro/janela.

Figura 4.6 – Metodologia adotada para investigar o filtro/janela adequado para o

processamento dos dados RADARSAT no sistema de detecção automático.

A aplicação de filtragem nas imagens pode alterar a eficiência da

segmentação e, conseqüentemente, do agrupamento das regiões escuras e claras

para os diferentes tipos de alvos escuros dotados de geometria e textura peculiares.

Para avaliar se a aplicação do filtro/janela escolhido contribui para a detecção de alvos

escuros, na etapa seguinte os diferentes recortes de cena foram processados sem

filtro e com o filtro/janela indicado como mais adequado nesta etapa. Este

procedimento foi realizado para validar, com maior consistência, a decisão sobre

utilizar ou não um filtro/janela padrão na fase de pré-processamento das imagens.

4.4 – Etapa 4: Determinação do Procedimento de Segmentação

Para a determinação do segmentador, além do recorte de cena já utilizado

nas etapas anteriores (Figura 4.4), foram selecionadas imagens SAR com diferentes

tipos de alvos escuros, passíveis de serem encontrados em áreas oceânicas. A

diversidade de alvos escuros foi considerada nesta etapa à medida que a eficiência

dos segmentadores é influenciada pela geometria e pela textura peculiar a cada tipo

de alvo (Capítulo 4: item 4.1). Nesta etapa da tese, 11 recortes de cena RADARSAT

sem filtragem e pré-processados com o espaçamento de pixel e o filtro/janela mais

adequados – ambos determinados nas etapas anteriores - foram segmentados nos

softwares Multiseg e SPRING. As regiões escuras e claras resultantes das

segmentações foram agrupadas em alvos escuros e oceano. A técnica de

agrupamento de limiarização por Médias também foi utilizada, sendo o limiar definido

interativamente pelo intérprete, escolhendo o valor de partição que retornou

visualmente o melhor resultado. A escolha dos limiares interativamente foi utilizada

nesta etapa da tese para que uma avaliação justa dos segmentadores fosse realizada,

indicando sempre o melhor limiar para cada cena, uma vez que a utilização de um

limiar fixo não retornaria bons resultados para todas as cenas, com todos os

segmentadores.

Os alvos escuros e oceano, resultantes do agrupamento das regiões escuras

e claras produzidas nas segmentações, foram avaliados comparativamente com os

indicados como referência no Phanton, seguindo a mesma metodologia descrita no

item 4.2. A Figura 4.7 apresenta os procedimentos metodológicos para a determinação

do segmentador.

Figura 4.7 - Fluxo de procedimentos metodológicos planejado para investigar a etapa de

segmentação em imagens de SAR.

Os segmentadores testados utilizam diferentes parâmetros de entrada, os

quais influenciam no número de segmentos e no formato dos segmentos produzidos.

Como o foco da tese não esteve centrado na segmentação, mas no agrupamento das

regiões resultantes da segmentação, a preocupação foi balizar estes parâmetros de

maneira que a imagem não fosse subsegmentada a ponto de perder feições de

interesse e nem supersegmentada, exigindo um maior desempenho computacional

para o processamento dos resultados. Como o objetivo desta etapa foi identificar o

segmentador adequado para ser acoplado ao sistema de detecção automático foi

necessário pesquisar valores que se adequassem como padrão para os parâmetros

exigidos pelo segmentador. Para tal, como parte dos resultados gerados, pesquisas

foram realizadas a fim de investigar os parâmetros adequados para serem utilizados

nos softwares testados.

4.5 – Etapa 5: Determinação do Procedimento de Clusterização

Uma vez determinados, através dos procedimentos descritos nas etapas

anteriores, o espaçamento de pixel, o filtro/janela e o segmentador mais adequados, o

procedimento metodológico para definir o método de clusterização foi composto pelas

seguintes etapas: a) segmentação das imagens; b) cálculo de diferentes atributos

estatísticos, geométricos e texturais, tendo como base as imagens e as regiões

escuras e claras resultantes das segmentações; c) análise exploratória e seleção de

atributos; d) agrupamento automático das regiões em alvos escuros e oceano,

considerando os diferentes atributos como dados de entrada no software Clustan; e)

avaliação do(s) atributo(s) mais adequados, comparando os resultados das

clusterizações efetuadas cumulativamente inserindo gradualmente cada atributo, com

os alvos de referência do Phanton; f) considerando o conjunto de atributos

selecionado, uma comparação do desempenho entre técnicas automáticas (não

supervisionada) e semi-automáticas (supervisionadas) para a detecção de alvos

escuros foi efetuada. Nesta última etapa foram comparados: a) os resultados

provenientes dos algoritmos supervisionados de Máxima Verossimilhança (Maxver) e

Máquinas de Suporte Vetorial (SVM); b) os resultados das operações de limiarização

efetuadas nos itens anteriores, e; c) os resultados obtidos pelo clusterizador Focal

Point implementado no software Clustan.

A Figura 4.8 apresenta os procedimentos metodológicos para a determinação

do procedimento de clusterização e do(s) atributo(s) a serem utilizados na detecção de

alvos escuros em imagens SAR.

Figura 4.8 - Fluxo de procedimentos planejado para investigar o método de clusterização mais

adequado a ser utilizado após a segmentação das imagens SAR.

Conforme comentado, as avaliações foram realizadas através da comparação

dos alvos escuros resultantes do agrupamento das regiões escuras e claras, com os

polígonos indicados como referência nos Phantons, considerando o índice de Exatidão

dos Alvos Escuros descrito no item 3.3.

4.6 – Etapa 6: Validação do Método Proposto

A possibilidade de estabelecer uma regra de decisão para o processamento

automático das imagens foi considerada. Para tal, o método de Árvores de

Classificação e Regressão - ACR (Classification and Regression Trees - CART)

disponível no módulo Data Mining do Software Statistica, foi utilizado.

A partir da regra de decisão encontrada, a validação do método proposto foi

efetuada a partir do pré-processamento de 3 novas imagens SAR, utilizando o

espaçamento de pixel, o filtro/janela e o segmentador com os parâmetros definidos

nas etapas anteriores como os mais adequados para a detecção de alvos escuros. O

conjunto de atributos adequado, igualmente definido na etapa 4.5 da tese, foi

calculado para cada novo recorte de cena e as clusterizações foram efetuadas no

software Clustan. Phantons foram delineados manualmente e as métricas de

avaliação calculadas da mesma forma que nas etapas anteriores.

Posteriormente, os atributos chaves utilizados pela ACR para formular as

regras de decisão foram igualmente calculados e analisados para os 3 recortes de

cena, a fim de verificar se o comportamento encontrado refletiria a regra indicada pelo

algoritmo. Finalmente, com base em todos os resultados obtidos ao longo da tese, um

método para a detecção de alvos escuros em imagens SAR foi proposto, integrando

técnicas de segmentação de imagens e clusterização de dados.

CAPÍTULO 5

RESULTADOS E DISCUSSÕES

5.1 – Etapa 1: Determinação do Espaçamento de Pixel

5.1.1 – Determinação dos Parâmetros Adequados para o Software MultiSeg

Conforme comentado no Capítulo 3: Item 3.1.1.1, o software MultiSeg foi

inicialmente utilizado nas primeiras etapas, tendo sido necessário investigar quais os

modos e parâmetros adequados para a segmentação. Desta forma, com relação aos

modos de segmentação Cartoon e Texture disponíveis no software MultiSeg, análises

preliminares evidenciaram que o tempo de processamento necessário para segmentar

o mesmo recorte de imagem foi maior no modo Texture (60min) do que no Cartoon

(em média 3min), utilizando a mesma plataforma computacional. Comparando os

resultados com o Phanton (Figura 5.1), o modo Texture segmentou mais intensamente

as regiões escuras (alvos de interesse) em detrimento das regiões claras, resultado

que reduziria o custo computacional na etapa de agrupamento dos segmentos em

alvos escuros e oceano. A análise visual dos resultados indicou que, embora a

segmentação no modo Texture tenha priorizado a segmentação das regiões escuras,

a geometria dos alvos escuros obtida após o agrupamento das regiões não ficou bem

delineada. O maior número global de regiões (escuras e claras) produzidas no modo

Cartoon permitiu formar polígonos mais representativos para os alvos escuros com

maior acurácia em relação ao Phanton. Além da possibilidade do modo Texture

detectar com menor acurácia a geometria dos alvos escuros em relação ao modo

Cartoon, a diferença de custo computacional evidenciada entre estes modos

inviabilizaria o uso operacional do modo Texture, a medida que o sistema de detecção

automática processaria imagens inteiras e não somente recortes de cenas

Os modos de aquisição das imagens RADARSAT para o monitoramento

costeiro e oceânico (ScanSAR Narrow e ScanSAR Wide) são entregues em amplitude

em 8 bits (0~255). Para processá-los no modo Cartoon com melhor desempenho foi

necessário utilizá-los em intensidade 16 bits (0~65536), pois o tempo de

processamento foi menor neste formato. A Figura 5.1 ilustra os resultados obtidos para

O tamanho do recorte de cena utilizado no experimento é de 922 colunas X 1671 linhas,

totalizando 1540662 pixels, e o tamanho da imagem inteira é de 7873 colunas X 8413 linhas,

totalizando 66235549 pixels. O recorte de cena equivale a apenas 2% da área total da cena,

restando ainda 98% da área da cena a ser processada.

segmentações realizadas nos modos/formato Cartoon/Amplitude, Cartoon/Intensidade

e Texture/Intensidade, evidenciando o número de regiões produzidas e o tempo de

processamento. O software não conseguiu processar os dados no modo/formato

Texture/Amplitude.

Modo MultiSeg: CARTOON

Formato dos Dados: Amplitude

Modo MultiSeg: CARTOON

Formato dos Dados: Intensidade

Modo MultiSeg: TEXTURE

Formato dos Dados: Intensidade

AVALIAÇÃO DOS MODOS DE SEGMENTAÇÃO CARTOON E TEXTURE DO SOFTWARE MULTISEG:

#Número de Regiões: 292

#Tempo de Processamento:

2min 27seg = 147seg

#Número de Regiões: 779

#Tempo de Processamento:

3min 27seg = 207seg

#Número de Regiões: 272

#Tempo de Processamento:

1hora 26min e 38seg = 5198seg

Phanton:

Imagem de Referência

#Resolução Espacial: 50m

#Tamanho do Recorte da

Cena: 922 colunasX1671 linhas

Figura 5.1 - Resultados obtidos para segmentações realizadas nos modos/formato:

Cartoon/Amplitude, Cartoon/Intensidade e Texture/ Intensidade.

Conforme observado na Figura 5.1, a diferença no tempo de processamento

foi pequena comparando-se os dados em amplitude e em intensidade para o modo

Cartoon. Desta forma, optou-se pela utilização dos dados de entrada no padrão de

configuração do software em intensidade.

Esta escolha considerou também a constatação de que a utilização dos dados

em intensidade produziu um número maior de regiões (779) quando comparado com o

número de regiões produzidas para os dados em amplitude (292). Nas áreas costeiras

e oceânicas há diversos tipos de fenômenos que ocorrem em diferentes escalas sendo

detectáveis nas imagens de RADAR como alvos escuros em grande, média e pequena

dimensão espacial. A subsegmentação de uma imagem contendo diferentes alvos em

múltiplas escalas de representação espacial pode resultar na redução do potencial de

detecção dos alvos de pequena dimensão. Neste contexto, quanto maior o número de

regiões produzidas maior a chance de detecção de pequenos alvos. O maior número

de regiões com dimensões variadas, também pode resultar em um melhor

delineamento, ou seja, uma maior acurácia na delimitação das bordas dos polígonos

representativos para os alvos escuros que se deseja detectar na cena processada. A

Figura 5.2 compara a segmentação produzida para os dados de entrada em amplitude

e em intensidade no modo Cartoon, evidenciando exemplos de pequenos alvos

escuros que foram melhor detectados em função do maior número de regiões geradas

para os dados de entrada em intensidade. Considerando os resultados obtidos para o

teste dos modos de processamento existentes no software MultiSeg, optou-se por

utilizar - ao longo de toda a tese - o modo Cartoon com os dados de entrada em

intensidade (0~65535).

Figura 5.2 – Exemplos de segmentações nos modos Cartoon/Amplitude, e

Cartoon/Intensidade.

Para determinar o espaçamento de pixel mais adequado, a ser adotado como

padrão para os dados de entrada em um sistema de detecção automática de óleo e

ocorrências ambientais, foram investigados os parâmetros de entrada exigidos pelo

MultiSeg. Nesta etapa, para analisar o efeito da variação do espaçamento de pixel

das imagens nos resultados das segmentações, foram definidos os valores que seriam

utilizados para os seguintes parâmetros de entrada: a) área mínima: definição do

número mínimo de pixels que o menor segmento gerado pode ter; b) número

equivalente de looks (Nel), e; c) limiar de similaridade (LS).

Área Mínima: De acordo com BENTZ (2006), durante dois anos de

monitoramento, a mínima área detectada como mancha de óleo em imagens de SAR

foi de 0,45km

. A experiência de campo obtida por inspetores ambientais

apontou

que, a mínima área de manchas de óleo identificável visualmente pode chegar a

0,25km

. Com base nesta experiência, buscando um critério mais rigoroso que

possibilitasse a máxima detecção de regiões escuras nas imagens, o parâmetro de

entrada para a área mínima foi definido como 0,25km

, permitindo a detecção de áreas

menores que 0,45km

, as quais podem estar associadas com prováveis vazamentos

de óleo no mar. O parâmetro de área mínima em pixels variou de acordo com o

espaçamento de pixel da imagem a ser segmentada para representar, de maneira

equivalente, a mesma área (0,25km

). Para os espaçamentos de 50m, 100m, 150m e

200m foram necessários, respectivamente, 100 pixels, 25 pixels, 11 pixels e 6 pixels

como área mínima para detectar uma área de 0,25km

Número Equivalente de Looks (Nel): O Nel é calculado em função da

distribuição estatística dos NC em uma imagem de RADAR (FRERY et al., 2007),

sendo sempre menor ou igual ao Número de Looks (Nl) da imagem. A compactação

da imagem no formato MrSid altera as propriedades estatísticas das imagens de

RADAR (item 4.1), produzindo valores incoerentes, muito maiores do que o Nl da

imagem. Como não foi possível calcular o Nel, e este parâmetro deve ser sempre

menor ou igual ao Nl da imagem, segmentações foram testadas com valores de Nel 2,

3 e 4, considerando que o Nl da cena estudada era 4. Conforme verificado nos

resultados apresentados na Figura 5.3, para um mesmo Nel observou-se que o

número de regiões produzidas diminuiu com o aumento do espaçamento de pixel nas

imagens. Todavia, para todos os espaçamentos estudados, quanto maior o Nel maior

o número de regiões produzidas e quanto maior o número de regiões maior a

possibilidade de detecção de alvos escuros de pequena dimensão em imagens SAR.

Como o importante para a aplicação em questão é não deixar de detectar uma

possível emergência ambiental, o Nel 4 foi considerado como parâmetro mais

adequado. Importante observar a diferença no tempo de processamento exigido para

um recorte de cena com espaçamento de 50m (cerca de 3min) em relação aos demais

espaçamentos de pixel (menos de 1min). A Figura 5.3 ilustra os resultados obtidos

para as segmentações realizadas no modo/formato Cartoon/Intensidade com Nel 2, 3

e 4, para os espaçamentos de pixel de 50m, 100m, 150m e 200m, evidenciando o

número de regiões produzidas e o tempo de processamento exigido em cada caso.

Informação obtida através de Relatórios Técnicos da PETROBRAS e comunicação pessoal

com os inspetores ambientais da PETROBRAS responsáveis pelo monitoramento e pelo

combate de manchas de óleo em alto mar ao longo de 6 anos de experiência.

AVALIAÇÃO DO NÚMERO EQUIVALENTE DE LOOKS (NEL = 2, 3 OU 4) PARA O SOFTWARE

MULTISEG: MODO/FORMATO CARTOON/INTENSIDADE

Nel: 2

# N

de Regiões: 398

# Δt: 2min = 120seg

de Regiões: 756

#Δt: 3min 29seg = 209seg

de Regiões: 873

#Δt: 3min e 31seg = 211seg

RADARSAT 50m

# N

de Regiões: 116

# Δt: 0,16min

de Regiões: 146

#Δt: 0,17min

de Regiões: 180

#Δt: 0,18min

RADARSAT 200m

# N

de Regiões: 196

# Δt: 0,39min

de Regiões: 238

#Δt: 0,44min

de Regiões: 289

#Δt: 0,46min

RADARSAT 100m

# N

de Regiões: 89

# Δt: 0,09min

de Regiões: 103

#Δt: 0,10min

de Regiões: 124

#Δt: 0,11min

Nel: 3Nel: 4

Nel: 2Nel: 3Nel: 4

RADARSAT 150m

Nel: 2Nel: 3Nel: 4

Figura 5.3 - Resultados obtidos para segmentações realizadas com Nel 2, 3 e 4, considerando

todos os espaçamentos de pixel avaliados.

Limiar de Similaridade (LS): O LS é o parâmetro utilizado nos testes de

crescimento e agrupamento de regiões. Para o software MultiSeg duas regiões

distintas serão consideradas similares e serão agrupadas em uma única região

quando a metade da diferença entre a média dos NC for menor do que o LS

estabelecido (SOUZA, 2005). Desta forma, quanto menor for o LS maior será a

sensibilidade do segmentador para captar diferenças entre regiões distintas e

espacialmente próximas, conseqüentemente, maior será o número de regiões

produzidas pela segmentação, aumentando o potencial de detecção de alvos escuros

na imagem, incluindo os de pequena dimensão.

Com base nas considerações acima, foi proposto um método padrão para o

cálculo do LS que refletisse a menor distância entre a distribuição das regiões escuras

e claras, resultando em um menor valor do LS calculado com base nas propriedades

estatísticas e espaciais dos NC componentes da imagem.

Para calcular este parâmetro, considerando o recorte de cena utilizado nesta

etapa da tese, uma segmentação supervisionada no software ENVI

foi realizada onde

o intérprete definiu, interativamente, o melhor limiar de corte (NC

Amplitude

=28 ou

Intensidade

=784) que permitiu ao segmentador detectar os polígonos mais

representativos para os alvos escuros identificados. O resultado desta segmentação

foi utilizado como uma máscara para gerar uma borda ao redor dos alvos escuros

contidos na imagem. Ao redor desta borda um buffer com raio de 5 pixels para dentro

dos alvos escuros e de 5 pixels para fora dos alvos escuros foi criado. Este buffer foi

utilizado como máscara para extrair as propriedades estatísticas das regiões limítrofes

claras e escuras presentes na imagem.

O cálculo proposto para o LS foi feito como base no box plot calculado para as

regiões claras e escuras amostradas através do buffer gerado ao redor da borda dos

alvos escuros. O critério adotado foi a subtração do valor obtido para o quarto quartil

do box plot (Q4

REscura

) calculado para as regiões escuras do valor obtido para o

primeiro quartil do box plot (Q1

RClara

) calculado para as regiões claras. A Figura 5.4 e

5.5 disponibilizam: a) o box plot calculado para as regiões escuras e claras

amostradas pelo buffer, e; b) o método proposto como padrão para calcular o LS em

dB.

O segmentador do ENVI utiliza técnicas de Threshold e filtragem aplicadas com base em um

limiar de corte definido supervisionadamente pelo intérprete.

BOX PLOT: BUFFER REGIÕES ESCURAS

MÉTODO PROPOSTO PARA O CÁLCULO DO LIMIAR DE SIMILARIDADE

EXEMPLO: 03/04/2002 (FLORESCIMENTO DE ALGAS)

BOX PLOT: BUFFER REGIÕES CLARAS

MultiSeg:

LS = 10Log

RClara

- 10Log

REscura

(dB)

Menor distância entre as 2

distribuições

Figura 5.4 – Exemplo de box plot calculado para as regiões claras e escuras e método proposto

para o cálculo do Limiar de Similaridade em dB.

Este método garante que, utilizando todos os quartis representantes das

regiões escuras, o risco de não detectar uma provável mancha de óleo é reduzido sem

deixar de considerar a maior parte dos dados referentes às regiões claras (75%). É

possível garantir que as regiões escuras estão sendo priorizadas porque o valor do Q4

para o box plot das regiões escuras corresponde ao limiar de corte definido

interativamente na segmentação do ENVI, o qual forneceu a melhor separação entre

os alvos escuros e o oceano.

O critério proposto para cálculo do LS privilegia a detecção de regiões escuras

em detrimento das regiões claras. Esta premissa considera que é preferível errar

detectando regiões claras como escuras do que o contrário, detectando regiões

escuras como claras, as quais podem estar associadas a um possível vazamento de

óleo e, conseqüentemente, a uma situação de emergência ambiental. A Figura 5.5

ilustra o método proposto para o cálculo do LS com base nas amostras dos buffers.

Figura 5.5 – Metodologia padrão proposta para calcular o Limiar de Similaridade.

O LS calculado com base nas amostras obtidas ao redor das bordas dos alvos

escuros é mais efetivo do que amostras que consideram toda a área de alvos escuros

e oceano existente na imagem. Amostras que consideram a área total das regiões

escuras e claras possuem maior variância e não consideram a adjacência espacial das

áreas limítrofes entre as distribuições. O cálculo dos LS a partir de amostras ao redor

dos buffers considera somente as propriedades estatísticas peculiares às áreas de

transição que se deseja separar. Na região de fronteira a média para os pixels no

oceano será sempre menor do que a obtida a partir de amostras considerando toda a

área oceânica. De forma contrária, a média para os pixels localizados para dentro da

borda dos alvos escuros será sempre maior do que as obtidas a partir de amostras

selecionadas nos alvos escuros como um todo. Como conseqüência, a distância entre

as médias dos pixels claros e escuros diminui à medida que as amostras estão

limitadas a região de fronteira. O cálculo do LS, considerando amostras globais e

localizadas ao redor dos buffers para o recorte de cena utilizado evidenciou as

observações acima: a) o LS calculado com base em amostras abrangendo o total de

regiões escuras e claras da imagem, sendo a metade da diferença entre as médias, foi

3,16dB em intensidade e 10,34 em amplitude; b) o LS calculado a partir das amostras

efetuadas nos buffers, sendo a metade da diferença entre as médias foi 1,26dB e 4,35

em amplitude, e; c) o LS calculado a partir das amostras efetuadas nos buffers,

considerando os quadrantes do box plot, foi 1,16dB e 4 em amplitude. A comparação

entre estes 3 itens evidenciou que os menores valores obtidos para o LS, tanto em

intensidade quanto em amplitude, foram obtidos pelo método dos quartis.

Borda

Claro

Escuro

O método proposto foi a solução encontrada para padronizar o cálculo do LS

caracterizado como a menor distância entre as distribuições a partir de um critério

único, evitando análises tendenciosas. Nas etapas seguintes da tese, onde foram

utilizados diferentes recortes de cena e segmentadores, esta padronização foi

importante para garantir uma comparação justa entre os resultados, à medida que os

parâmetros de entrada dos segmentadores foram calculados com base em um mesmo

critério.

5.1.2 – Determinação do Espaçamento de Pixel

Os valores indicados no item acima (LS = 1,16dB e Nel = 4) foram utilizados

como parâmetros de entrada para as segmentações realizadas no MultiSeg,

considerando diferentes valores para o espaçamento de pixel 50m, 100m, 150m e

200m para o recorte de cena estudado. Conforme descrito no Capítulo 4, item 4.2, as

regiões resultantes da segmentações foram agrupadas considerando como atributo a

média dos NC, utilizando o limiar de corte definido interativamente na segmentação do

ENVI, abaixo do qual foram detectados os alvos escuros (NC

Intensidade

<=784) e acima

do qual foi detectado o oceano (NC

Intensidade

>=784). Os polígonos resultantes do

agrupamento das regiões foram avaliados comparativamente com os polígonos de

referência (Phantons) através das métricas de avaliação descritas no Capítulo 3, item

3.3.

A Tabela 5.1 contém as métricas de avaliação calculadas para os resultados

obtidos para os diferentes espaçamentos de pixel. A Figura 5.6 apresenta os

resultados obtidos para as segmentações, os agrupamentos efetuados por

limiarização, a de intersecção dos alvos escuros entre a imagem classificada e o

Phanton e os erros de omissão e de inclusão calculados em relação aos alvos

escuros.

Tabela 5.1 – Métricas utilizadas para avaliação dos diferentes espaçamentos de pixel

Figura 5.6 – Resultados obtidos para os diferentes espaçamentos de pixel avaliados.

As métricas calculadas (Tabela 5.1) evidenciaram que a diminuição gradativa

do espaçamento de pixel resultou em uma redução na capacidade de detecção de

pequenas feições, bem como modificações no contorno das feições. Esta afirmação

pôde ser constatada visualmente na Figura 5.6 e através da métrica de intersecção de

polígonos, onde foi observada uma redução acentuada do número de polígonos

detectados.

A distância euclidiana calculada a partir dos ajustes de forma, tamanho,

intensidade e posição aumentou significativamente com o aumento do espaçamento

de pixel. Este aumento foi causado pela redução gradativa de todos os ajustes, sendo

o Fitn a métrica que mais apresentou diferença em relação ao espaçamento de 50m.

Estes resultados indicaram que houve um leve deslocamento do centróide dos

polígonos (Fitxy), da intensidade média dos NC que compõe os polígonos (Fiti) e da

forma dos polígonos associados a alvos escuros e a oceano (Gforma). Entretanto, o

tamanho destes polígonos, representado pelo Fitn, foi significativamente alterado. A

análise visual dos resultados apresentados na Figura 5.6 confirmou esta métrica,

sendo possível verificar que: a) com o aumento gradativo do espaçamento de pixel

ocorreu uma perda da capacidade de detectar pequenas feições, o que gerou regiões

com ajuste nulo (item 3.3.1), indicando polígonos existentes no Phanton, mas que

deixaram de ser detectados na imagem classificada; b) o aumento da omissão de

regiões que no Phanton eram alvos escuros e na classificada viraram oceano, também

contribuiu para esta alteração no tamanho dos polígonos.

As métricas calculadas especificamente para os alvos escuros, a partir da

matriz de confusão (Tabela 5.1) reforçaram as observações acima indicando,

juntamente com o aumento do espaçamento de pixel: a) uma diminuição gradativa da

Exatidão dos Alvos Escuros e da Fração de Intersecção dos Alvos Escuros em relação

ao Phanton; b) um aumento gradativo da omissão de regiões escuras, agrupadas

erroneamente como parte do oceano. Com relação à taxa de inclusão errônea de

pixels de alvos escuros como oceano, praticamente não ocorreu variação.

Considerando que a máxima detecção de alvos escuros é essencial para

minimizar o risco de que uma possível mancha de óleo não seja detectada,

prejudicando as ações de contingenciamento o melhor espaçamento de pixel a ser

adotado seria 50m, por fornecer o maior potencial de detecção de alvos escuros.

Todavia, para que o sistema de detecção seja utilizado operacionalmente o tempo de

processamento deve ser minimizado. Os resultados obtidos indicaram que o tempo de

processamento para a imagem com 50m foi 6 vezes maior do que o tempo necessário

para processar a imagem de 100m (Tabela 5.1). Esta diferença dificultaria o uso

operacional das imagens com 50m de espaçamento de pixel uma vez que o tamanho

de uma cena RADARSAT completa (8413linhas x 7873colunas) é 42 vezes maior do

que o recorte de cena utilizado (1671linhas x 922colunas). Testes preliminares foram

efetuados tentando segmentar uma cena completa com 50m e o segmentador não

conseguiu concluir o processamento.

Neste contexto, a utilização do espaçamento de pixel de 100m como padrão

foi indicada por constituir uma alternativa para reduzir o tempo de processamento,

considerando a necessidade operacional da aplicação. Esta escolha também foi

influenciada pelas métricas disponíveis na Tabela 5.1, as quais indicaram que, dentre

os demais espaçamentos (150m e 200m), o de 100m foi o que conseguiu definir

melhor as bordas dos alvos escuros e detectar um maior número de pequenos alvos

quando comparado com o espaçamento de 50m. O espaçamento de 100m foi o que

ofereceu o melhor custo/benéfico, mesmo considerando que o numero de polígonos

detectados em relação ao Phanton diminuiu.

Outra evidência que reforçou a utilização do espaçamento de pixel de 100m foi

a aquisição de imagens RADARSAT também no modo ScanSAR Wide (100m), sendo

aconselhável padronizar o espaçamento de pixel de entrada das imagens.

A padronização do espaçamento de pixel em 100m também foi indicada por

diversos autores, como uma solução adequada para a detecção de óleo na superfície

do mar, por diminuir o custo computacional e funcionar como um filtro suavizando o

ruído inerente às imagens SAR (SLOGGETT & JORY, 1994; CALABRESI et al., 1999;

FISCELLA et al., 2000; DEL FRATE et al., 2000; GASULL et al., 2002; BREKKE &

SOLBERG, 2005; BENTZ, 2006; KERAMITSOGLOU et al., 2006; ). Importante

destacar que, apesar das indicações encontradas na literatura reforçarem a

padronização do espaçamento de 100m, nenhum dos trabalhos consultados mostrou

resultados comparando o ganho e a perda associado à utilização dos diferentes

espaçamentos.

5.2 – Etapa 2: Determinação do Filtro/Janela

Para o mesmo recorte de cena utilizado na etapa anterior foram aplicados 8

filtros (Lee, Lee Enhanced, Frost, Frost Enhanced, Kuan, Gamma, Sigma e Mediana)

com 3 dimensões de janela (3x3, 5x5 e 7x7), totalizando 27

imagens filtradas com

diferentes janelas. Após a aplicação dos filtros no recorte RADARSAT-1 com 100m de

espaçamento de pixel - definido como mais adequado no item 5.1.2 – os recortes de

cena filtrados foram: a) segmentados no software MultiSeg utilizando os mesmos

parâmetros definidos anteriormente; b) agrupados considerando a média dos NC por

limiarização, e; c) comparados através das métricas de avaliação definidas no Capítulo

3: item 3.3 em relação ao Phanton para 100m.

Após o agrupamento das regiões efetuado por limiarização, o número de alvos

escuros detectados em relação aos alvos escuros considerados como referência no

Phanton variou de 4 a 10 entre os 27 recortes de cena filtrados e 1 sem filtro.

Considerando que, para a aplicação em questão, o importante é não deixar de

detectar um possível vazamento de óleo, foram analisados os filtros que obtiveram a

máxima detecção, 10 alvos escuros (Tabela 5.2). A tabela contendo as métricas

obtidas para todas as filtragens realizadas está disponível para consulta no

APÊNDICE II.

Tabela 5.2 – Métricas utilizadas para avaliação dos diferentes filtros/janela testados.

A Figura 5.7 apresenta os resultados para as segmentações, os agrupamentos

e os erros de omissão e de inclusão para o recorte de cena sem filtro e filtrado com os

filtros/janela Lee 3x3, Mediana 3x3, Sigma 3x3 e Kuan 3x3.

São 27 imagens porque para o filtro Gamma é necessário definir o número de Looks, no

experimento aplicamos o filtro Gamma com as 3 janelas e com 1 e 3 looks, aumentando em 3 o

número de imagens.

Figura 5.7 – Resultados obtidos para a imagem sem filtro e com filtro Lee 3x3, Mediana 3x3,

Sigma 3x3 e Kuan 3x3.

Dentre as métricas consideradas (Tabela 5.2), o tempo de processamento não

apresentou variação significativa entre os recortes filtrados, sendo desconsiderado

como parâmetro para seleção do filtro/janela mais adequado à aplicação. As métricas

de Exatidão dos Alvos Escuros e de Fração de Intersecção de Alvos Escuros

aumentaram em relação ao recorte sem filtragem e permaneceram praticamente

estáveis para todos os filtros. O erro de omissão apresentou o mesmo comportamento,

diminuiu em relação ao recorte sem filtragem e foi praticamente o mesmo para todos

os resultados (0,06%). O erro de inclusão aumentou para os recortes filtrados,

permanecendo estável entre os filtros analisados (0,24%). Considerando aos ajustes

de forma (Gforma), tamanho (Fitn), intensidade (Fiti) e posição (Fitxy) é interessante

notar que a aplicação do filtro melhorou os ajustes de forma (Gforma) e de tamanho

(Fitn) em relação ao Phanton e piorou os ajustes de posição e de intensidade dos NC.

Como a melhoria dos ajustes prevaleceu, a Distância Euclidiana foi bem menor para

as imagens filtradas, indicando que a aplicação do filtro na etapa de pré-

processamento das imagens pode ser padronizada em sistema automático. Outro

resultado que reforça a utilização de filtragem é que, embora a diminuição do

espaçamento de pixel tenha reduzido o potencial de detecção dos alvos escuros

verificado no item 5.1.2, a aplicação de filtragem aumentou de 7 para 10 o número de

alvos escuros detectados em relação ao Phanton.

Embora as menores distâncias euclidianas (0,28) tenham sido verificadas para

os filtros Lee (3x3) e Mediana (3x3), as métricas variaram muito pouco entre os 4

melhores filtros indicados, sendo a determinação do melhor filtro a ser utilizado como

padrão no sistema automático injusta considerando somente as métricas indicadas.

Desta forma, considerando a extensa literatura consultada sobre sistemas de

detecção automática de óleo, foi constatado que o filtro mais comumente utilizado na

etapa de pré-processamento das imagens é o Lee (BJERDE et al., 1993;

KARATHANASSI et al., 2006; STATHAKIS et al., 2006; BENTZ, 2006; TOPOUZELIS

et al., 2007a e 2007b; HANG et al., 2009, TOPOUZELIS et al., 2009). O filtro de

Mediana foi utilizado em três das referências consultadas (MIRANDA et al., 2004;

CHANG et al., 2005; HANG et al., 2009), sendo que em uma delas o filtro de Mediana

foi combinado com o filtro Lee (HANG et al., 2009). O filtro Kuan foi utilizado em

ZHENG et al. (2005). No fluxograma disponível no APÊNDICE I é possível verificar a

diversidade de filtros utilizados pelos diferentes autores na etapa de pré-

processamento.

Esta avaliação da influência dos diferentes filtros no potencial de detecção de

alvos escuros nas imagens foi realizada apenas com um recorte de cena e pode ser

que outros tipos de alvos apresentem resultado diferenciado. A fim de embasar com

maior robustez uma decisão sobre a utilização ou não de filtragem como um

procedimento padrão no pré-processamento das imagens, as análises efetuadas para

determinação do segmentador mais adequado consideraram diferentes alvos, todos

segmentados com e sem filtragem, sendo adotado o filtro Lee (3x3), indicado como o

mais adequado.

5.3 – Etapa 3: Determinação do Segmentador

Para determinação do segmentador a ser utilizado como padrão no sistema de

detecção automática de alvos escuros foram selecionados 11 recortes de cena

RADARSAT contendo alvos escuros com dimensões, geometria e textura variados.

Estes recortes de cenas com espaçamento de pixel de 100m sem filtragem e pré-

processados com o filtro/janela Lee/3x3 – parâmetros determinados nas etapas

anteriores - foram segmentados nos softwares MultiSeg e SPRING, resultando em 44

processamentos. Para cada um destes recortes foram elaborados manualmente os

Phantons, imagens de referência utilizadas para a avaliação comparativa dos

resultados produzidos. As regiões escuras e claras resultantes destas 44

segmentações foram agrupadas em alvos escuros e oceano, utilizando a técnica de

limiarização, onde para cada imagem um limiar de corte foi definido interativamente

pelo intérprete a fim de retornar o melhor resultado. Os alvos escuros resultantes do

agrupamento das regiões escuras produzidas na segmentação foram avaliados

comparativamente com os alvos escuros indicados como referência no Phanton,

considerando as mesmas métricas de avaliação utilizadas nos itens anteriores.

A Figura 5.8 apresenta: a) os recortes de cena RADARSAT utilizados; b) os

Phantons elaborados manualmente para cada recorte de cena; c) o histograma para

os alvos escuros; d) o tamanho de cada recorte de cena (linhas x colunas); e) o NC

indicado como limiar de corte utilizado no agrupamento definido interativamente,

considerando os recortes de cena com e sem filtragem, e; f) a média e o desvio

padrão dos alvos escuros.

Figura 5.8 - Recortes de cena utilizados juntamente com os Phantons elaborados manualmente

indicando os alvos escuros de referência.

Figura 5.8 (Continuação) - Recortes de cena utilizados juntamente com os Phantons

elaborados manualmente indicando os alvos escuros de referência.

Figura 5.8 (Continuação) - Recortes de cena utilizados juntamente com os Phantons

elaborados manualmente indicando os alvos escuros de referência.

Para realizar as segmentações o software MultiSeg exige como parâmetros de

entrada a Área Mínima (AM) em pixels, o Número Equivalente de Looks (Nel) e o

Limiar de Similaridade (LS). A AM está atrelada ao espaçamento de pixel da imagem e

foi definida nas etapas anteriores como 25 pixels para o espaçamento de 100m, o Nel

foi definido como 4 e o LS foi calculado em dB para cada recorte de cena com e sem

filtro de acordo com o método proposto no item 5.1.1. O software SPRING exige como

parâmetros de entrada a AM em pixels, a mesma utilizada para o MultiSeg e o LS,

calculado com o mesmo método em amplitude (0~255).

A Tabela 5.3 apresenta para todas as cenas estudadas com e sem filtro: a) a

média dos NC em amplitude para as regiões claras e escuras amostradas pelo buffer

ao redor da borda dos alvos escuros; b) os valores em amplitude para o 4º quartil dos

alvos escuros e para o 1º quartil do oceano extraídos do box plot calculado, e; c) o LS

calculado com base no box plot para o SPRING e para o MultiSeg.

Tabela 5.3 – Variáveis calculadas com a amostragem do buffer e LS calculados para o

SPRING e para o MultiSeg, considerando a diferença entre os quartis do box plot.

A Tabela 5.4 apresenta os resultados obtidos para os 44 processamentos

realizados com e sem filtro para a determinação do segmentador mais adequado.

Tabela 5.4 – Métricas utilizadas para avaliação dos diferentes segmentadores aplicados nos

recortes de cena com e sem filtragem.

A Figura 5.9 apresenta os gráficos comparando as métricas de ajuste entre

regiões e de matriz de confusão, ambas calculadas para os segmentadores MultiSeg e

SPRING com e sem a aplicação de filtro.

Figura 5.9 - Gráficos comparando as métricas calculadas para os segmentadores MultiSeg e

SPRING com e sem a aplicação de filtro.

Exatidão dos AEscuros considerando os Segmentadores

MultiSeg e SPRING sem Filtragem

0,57

0,80

0,31

0,87

0,64

0,49

0,28

0,43

0,53

0,26

0,80

0,60

0,47

0,26

0,78

0,62

0,50

0,79

0,46

0,50

0,00

0,25

0,50

0,75

1,00

Cena 1 Cena 2 Cena 3 Cena 4 Cena 5 Cena 6 Cena 7 Cena 8 Cena 9 Cena 10 Cena 11

Cenas

Percentual de Exatidão

Exatidão dos AEscuros MultiSeg Exatidão dos AEscuros SPRING

Exatidão dos AEscuros considerando os Segmentadores MultiSeg

e SPRING com Filtragem

0,62

0,75

0,50

0,51

0,61

0,27

0,86

0,67

0,32

0,57

0,75

0,30

0,68

0,80

0,30

0,58

0,52

0,46

0,78

0,61

0,00

0,25

0,50

0,75

1,00

Cena 1 Cena 2 Cena 3 Cena 4 Cena 5 Cena 6 Cena 7 Cena 8 Cena 9 Cena 10 Cena 11

Cenas

Percentual de Exatidão

Exatidão dos AEscuros MultiSeg Exatidão dos AEscuros SPRING

FIntersecção dos AEscuros considerando os Segmentadores

MultiSeg e SPRING sem Filtragem

0,73

0,66

0,92

0,68

0,59

0,35

0,26

0,27

0,51

0,63

0,83

0,44

0,54

0,82

0,88

0,32

0,63

0,55

0,48

0,84

0,70

0,00

0,25

0,50

0,75

1,00

Cena 1 Cena 2 Cena 3 Cena 4 Cena 5 Cena 6 Cena 7 Cena 8 Cena 9 Cena 10 Cena 11

Cenas

Percentual de Exatidão

FIntersecção dos AEscuros MultiSeg FIntersecção dos AEscuros SPRING

FIntersecção dos AEscuros considerando os Segmentadores

MultiSeg e SPRING com Filtragem

0,82

0,30

0,52

0,59

0,76

0,90

0,40

0,71

0,34

0,74

0,94

0,82

0,68

0,56

0,48

0,73

0,95

0,28

0,81

0,79

0,00

0,25

0,50

0,75

1,00

Cena 1 Cena 2 Cena 3 Cena 4 Cena 5 Cena 6 Cena 7 Cena 8 Cena 9 Cena 10 Cena 11

Cenas

Percentual de Exatidão

FIntersecção dos AEscuros MultiSeg FIntersecção dos AEscuros SPRING

Omissão considerando os Segmentadores MultiSeg e SPRING

sem Filtragem

0,27

0,56

0,46

0,74

0,18

0,37

0,49

0,73

0,12

0,17

0,34

0,30

0,16

0,52

0,45

0,37

0,68

0,08

0,32

0,41

0,65

0,00

0,25

0,50

0,75

1,00

Cena 1 Cena 2 Cena 3 Cena 4 Cena 5 Cena 6 Cena 7 Cena 8 Cena 9 Cena 10 Cena 11

Cenas

Percentual de Omissão

Omissão MultiSeg Omissão SPRING

Omissão considerando os Segmentadores MultiSeg e SPRING com

Filtragem

0,27

0,52

0,44

0,32

0,70

0,18

0,06

0,66

0,29

0,18

0,26

0,60

0,05

0,10

0,72

0,24

0,41

0,48

0,21

0,19

0,00

0,25

0,50

0,75

1,00

Cena 1 Cena 2 Cena 3 Cena 4 Cena 5 Cena 6 Cena 7 Cena 8 Cena 9 Cena 10 Cena 11

Cenas

Percentual de Omissão

Omissão MultiSeg Omissão SPRING

Inclusão considerando os Segmentadores MultiSeg e SPRING

sem Filtragem

0,19

0,03

0,00

0,05

0,08

0,11

0,26

0,03

0,07

0,12

0,19

0,21

0,06

0,02

0,16

0,02

0,09

0,07

0,03

0,07

0,13

0,00

0,25

0,50

Cena 1 Cena 2 Cena 3 Cena 4 Cena 5 Cena 6 Cena 7 Cena 8 Cena 9 Cena 10 Cena 11

Cenas

Percentual de Inclusão

Inclusão MultiSeg Inclusão SPRING

Inclusão considerando os Segmentadores MultiSeg e SPRING com

Filtragem

0,29

0,15

0,24

0,02

0,05

0,29

0,10

0,23

0,03

0,06

0,15

0,25

0,08

0,24

0,02

0,00

0,18

0,08

0,19

0,23

0,04

0,07

0,00

0,25

0,50

Cena 1 Cena 2 Cena 3 Cena 4 Cena 5 Cena 6 Cena 7 Cena 8 Cena 9 Cena 10 Cena 11

Cenas

Percentual de Inclusão

Inclusão MultiSeg Inclusão SPRING

Figura 5.9 – (Continuação) Gráficos comparando as métricas calculadas para os

segmentadores MultiSeg e SPRING com e sem a aplicação de filtro.

Intersecção de Alvos Escuros Detectados considerando os

Segmentadores MultiSeg e SPRING sem Filtragem

0,57

0,36

0,53

0,36

1,00

0,67

0,50

0,25

0,32

0,21

0,41

0,67

0,61

0,93

1,00

0,57

0,50

1,00

0,78

0,67

0,00

0,25

0,50

0,75

1,00

Cena 1 Cena 2 Cena 3 Cena 4 Cena 5 Cena 6 Cena 7 Cena 8 Cena 9 Cena 10 Cena 11

Cenas

Detecção Polígonos

Detecção MultiSeg Detecção SPRING

Intersecção de Alvos Escuros Detectados considerando os

Segmentadores MultiSeg e SPRING com Filtragem

0,62

0,61

0,58

0,90

0,53

0,40

0,80

0,17

0,38

0,29

0,50

0,67

0,93

1,00

0,41

0,57

1,00

0,00

0,25

0,50

0,75

1,00

Cena 1 Cena 2 Cena 3 Cena 4 Cena 5 Cena 6 Cena 7 Cena 8 Cena 9 Cena 10 Cena 11

Cenas

Detecção Polígonos

Detecção MultiSeg Detecção SPRING

Gforma considerando os Segmentadores MultiSeg e SPRING sem

Filtragem

0,96

0,70

0,77

0,95

0,97

0,77

0,88

0,73

0,68

0,78

0,51

0,95

0,93

0,76

0,86

0,89

0,68

0,72

0,77

0,54

0,92

0,00

0,25

0,50

0,75

1,00

1,25

Cena 1 Cena 2 Cena 3 Cena 4 Cena 5 Cena 6 Cena 7 Cena 8 Cena 9 Cena 10 Cena 11

Cenas

Percentual de Exatidão

Gforma MultiSeg Gforma SPRING

Gforma dos AEscuros considerando os Segmentadores MultiSeg e

SPRING com Filtragem

0,96

0,92

0,78

0,69

0,89

0,92

0,71

0,94

0,97

0,66

0,50

0,78

0,82

0,95

0,92

0,66

0,68

0,76

0,71

0,54

0,93

0,00

0,25

0,50

0,75

1,00

1,25

Cena 1 Cena 2 Cena 3 Cena 4 Cena 5 Cena 6 Cena 7 Cena 8 Cena 9 Cena 10 Cena 11

Cenas

Percentual de Exatidão

Gforma MultiSeg Gforma SPRING

Fitxy considerando os Segmentadores MultiSeg e SPRING sem

Filtragem

0,92

0,88

0,81

0,76

0,85

0,87

0,93

0,85

0,90

0,87

0,81

0,94

0,82

0,95

0,83

0,92

0,84

0,00

0,25

0,50

0,75

1,00

Cena 1 Cena 2 Cena 3 Cena 4 Cena 5 Cena 6 Cena 7 Cena 8 Cena 9 Cena 10 Cena 11

Cenas

Percentual de Exatidão

Fitxy MultiSeg Fitxy SPRING

Fitxy dos AEscuros considerando os Segmentadores MultiSeg e

SPRING com Filtragem

0,94

0,85

0,88

0,81

0,82

0,90

0,86

0,77

0,88

0,82

0,95

0,88

0,82

0,88

0,92

0,81

0,90

0,82

0,85

0,92

0,00

0,25

0,50

0,75

1,00

Cena 1 Cena 2 Cena 3 Cena 4 Cena 5 Cena 6 Cena 7 Cena 8 Cena 9 Cena 10 Cena 11

Cenas

Percentual de Exatidão

Fitxy MultiSeg Fitxy SPRING

Fiti considerando os Segmentadores MultiSeg e SPRING sem

Filtragem

0,91

0,82

0,86

0,90

0,74

0,89

0,88

0,83

0,87

0,97

0,94

0,88

0,96

0,90

0,89

0,87

0,84

0,96

0,00

0,25

0,50

0,75

1,00

Cena 1 Cena 2 Cena 3 Cena 4 Cena 5 Cena 6 Cena 7 Cena 8 Cena 9 Cena 10 Cena 11

Cenas

Percentual de Exatidão

Fiti MultiSeg Fiti SPRING

Fiti dos AEscuros considerando os Segmentadores MultiSeg e

SPRING com Filtragem

0,94

0,85

0,73

0,91

0,97

0,69

0,87

0,93

0,87

0,81

0,52

0,81

0,92

0,87

0,84

0,88

0,91

0,90

0,96

0,97

0,89

0,00

0,25

0,50

0,75

1,00

Cena 1 Cena 2 Cena 3 Cena 4 Cena 5 Cena 6 Cena 7 Cena 8 Cena 9 Cena 10 Cena 11

Cenas

Percentual de Exatidão

Fiti MultiSeg Fiti SPRING

Figura 5.9 – (Continuação) Gráficos comparando as métricas calculadas para os

segmentadores MultiSeg e SPRING com e sem a aplicação de filtro.

Com base nos resultados apresentados, primeiramente foi avaliado o efeito da

aplicação do filtro/janela Lee/3x3 no potencial de detecção de alvos escuros nas

imagens SAR e, posteriormente, foi avaliada a performance dos segmentadores

MultiSeg e SPRING. Considerando as métricas referentes à Exatidão dos Alvos

Escuros, à Fração de Intersecção de Alvos Escuros, Intersecção de Polígonos,

Gforma, Fitxy, Fiti e Fitn, quanto maior o valor obtido, sendo mais próximo de 1,

melhor o resultado. Para as métricas de Omissão, Inclusão e Distância Euclidiana

quanto menor o valor obtido melhor o resultado.

O critério para a avaliação do efeito da aplicação do filtro/janela Lee/3X3 nos

recortes de cena estudados considerou que a detecção de alvos escuros melhorou

com a aplicação do filtro nos casos em que: a) houve um aumento no número de alvos

escuros detectados após a aplicação do filtro, e; b) o número de alvos escuros

permaneceu o mesmo e pelo menos uma das demais métricas de avaliação melhorou.

A aplicação do filtro teve um efeito considerado nulo, ou neutro, nos casos em que o

número de alvos escuros detectados não foi alterado mesmo que as demais métricas

de avaliação tenham piorado. O critério considerou que a aplicação do filtro piorou os

Fitn considerando os Segmentadores MultiSeg e SPRING sem

Filtragem

0,63

0,41

0,19

0,33

0,15

0,12

0,36

0,37

0,29

0,09

0,07

0,10

0,17

0,31

0,24

0,14

0,40

0,38

0,36

0,29

0,61

0,00

0,25

0,50

0,75

1,00

Cena 1 Cena 2 Cena 3 Cena 4 Cena 5 Cena 6 Cena 7 Cena 8 Cena 9 Cena 10 Cena 11

Cenas

Percentual de Exatidão

Fitn MultiSeg Fitn SPRING

Fitn dos AEscuros considerando os Segmentadores MultiSeg e

SPRING com Filtragem

0,43

0,19

0,96

0,14

0,32

0,46

0,16

0,12

0,39

0,11

0,06

0,38

0,30

0,29

0,66

0,10

0,31

0,10

0,60

0,37

0,40

0,00

0,25

0,50

0,75

1,00

Cena 1 Cena 2 Cena 3 Cena 4 Cena 5 Cena 6 Cena 7 Cena 8 Cena 9 Cena 10 Cena 11

Cenas

Percentual de Exatidão

Fitn MultiSeg Fitn SPRING

Dist. Euclidiana considerando os Segmentadores MultiSeg e

SPRING sem Filtragem

0,93

0,71

0,80

0,98

0,93

0,76

0,72

0,87

0,62

0,69

0,79

0,61

0,88

0,92

0,85

0,74

0,92

0,69

0,78

0,00

0,25

0,50

0,75

1,00

Cena 1 Cena 2 Cena 3 Cena 4 Cena 5 Cena 6 Cena 7 Cena 8 Cena 9 Cena 10 Cena 11

Cenas

Percentual de Exatidão

Dist. Euclidiana MultiSeg Dist. Euclidiana SPRING

Dist. Euclidiana dos AEscuros considerando os Segmentadores

MultiSeg e SPRING com Filtragem

0,83

0,75

0,72

0,96

0,91

0,73

0,65

0,93

0,61

0,68

0,28

0,69

0,98

0,91

0,86

0,96

0,69

0,73

0,71

0,78

0,88

0,00

0,25

0,50

0,75

1,00

Cena 1 Cena 2 Cena 3 Cena 4 Cena 5 Cena 6 Cena 7 Cena 8 Cena 9 Cena 10 Cena 11

Cenas

Percentual de Exatidão

Dist. Euclidiana MultiSeg Dist. Euclidiana SPRING

resultados nos casos em que houve uma diminuição no número de alvos escuros

detectados, mesmo que as demais métricas de avaliação tenham melhorado. A

Tabela 5.5 apresenta a síntese dos resultados obtidos por recorte de cena estudado

após a aplicação do filtro.

Tabela 5.5 - Síntese dos resultados obtidos para as métricas de avaliação por recorte de cena

estudado após a aplicação do filtro Lee/3X3.

De acordo com os resultados apresentados a aplicação do filtro antes da

segmentação das imagens melhorou a detecção de alvos escuros nas imagens de

RADAR na maioria dos casos. Para o software MultiSeg, 7 dentre os 11 recortes de

cena processados tiveram a qualidade da detecção melhorada após a aplicação do

filtro, 2 tiveram efeito neutro e em 2 casos o efeito foi negativo. Para o software

SPRING, 7 dentre os 11 recortes de cena processados tiveram a qualidade da

detecção melhorada após a aplicação do filtro, 3 casos tiveram efeito negativo e em 1

caso a aplicação do filtro não influenciou nos resultados. A Figura 5.10 apresenta um

gráfico com a síntese dos resultados por software.

Figura 5.10 – Efeito da aplicação do Filtro Lee (3X3) no Potencial de Detecção de Alvos

Escuros para os softwares utilizados.

Para validar os resultados obtidos o teste estatístico não paramétrico de

Wilcox foi efetuado para verificar se a diferença entre as métricas de avaliação para os

processamentos realizados para cada segmentador, com e sem filtragem, foi

estatisticamente significativa. Valores de p<0,05 indicam que as variáveis comparadas

são estatisticamente diferentes e, conseqüentemente, a aplicação ou não de filtragem

no pré-processamento das imagens SAR influenciou na detecção de alvos escuros. A

Tabela 5.6 disponibiliza o teste de Wilcox efetuado para os resultados obtidos com o

segmentador MultiSeg com e sem filtragem e a Tabela 5.7 disponibiliza os resultados

obtidos com o segmentador SPRING com e sem filtragem.

De acordo com os testes, dentre as 6 métricas de avaliação obtidas para o

segmentador MultiSeg e para o segmentador SPRING, 3 foram consideradas

estatisticamente diferentes comparando a aplicação ou não de filtragem na etapa de

pré-processamento. Desta forma, para as métricas de erros de inclusão, erros de

omissão e fração de intersecção dos alvos escuros, a aplicação do filtro faz diferença.

Como o resultado da análise das métricas indicou que tanto para o MultiSeg, quanto

para o SPRING a aplicação do filtro/janela Lee/3X3, na maioria dos recortes de cena

utilizados, melhorou ou não alterou a detecção dos alvos escuros, optou-se por

padronizar a aplicação do filtro Lee 3x3 na etapa de pré-processamento.

Efeito da Aplicação do Filtro Lee (3X3) no Potencial de

Detecção de Alvos Escuros

MultiSeg SPRING

Softwares Avaliados

Frequência

Não Alterou Melhorou Piorou

23%

64%

14%

Tabela 5.6 - Teste de Wilcox efetuado para os resultados obtidos com o segmentador MultiSeg

com e sem filtragem.

Tabela 5.7 - Teste de Wilcox efetuado para os resultados obtidos com o segmentador SPRING

com e sem filtragem.

Numa segunda fase foi avaliado o segmentador mais adequado considerando

apenas os processamentos efetuados nos softwares MultiSeg e SPRING com

aplicação de filtragem, uma vez que este procedimento foi indicado como padrão para

o pré-processamento das imagens SAR.

O número de polígonos detectados foi o mesmo para os 2 softwares em 4

situações e em apenas em 1 caso o MultiSeg teve um desempenho melhor que o

SPRING. Para a Fração de Intersecção dos Alvos Escuros, em 6 casos o SPRING

forneceu as maiores taxas, em 3 situações os resultados foram iguais para os 2

softwares e em 2 o MultiSeg superou o SPRING (Figuras 5.10 e 5.11).

As menores taxas de Omissão foram obtidas pelo software SPRING em 6 das

11 situações analisadas. A Distância Euclidiana foi menor em 8 das 11 situações para

o software SPRING. Importante destacar que embora o SPRING tenha omitido menos

regiões escuras ele incluiu uma maior taxa de regiões claras erroneamente como

alvos escuros em relação ao MultiSeg. O MultiSeg obteve os menores índices de

inclusão errônea de regiões de oceano como alvos escuros, sendo melhor que o

SPRING em 9 das 11 situações analisadas, todavia omitiu mais regiões escuras do

que o SPRING.

Considerando as métricas por ajuste de regiões, os resultados do MultiSeg

apresentaram menor ajuste de posição (Fitxy), de tamanho (Fitn) e de intensidade

(Fiti). Entretanto o ajuste de forma (Gforma) foi melhor em relação ao SPRING,

provavelmente porque o MultiSeg incluiu erroneamente menos regiões de oceano, o

que melhorou seu ajuste de forma em relação ao Phanton.

Para a aplicação em questão o importante é não deixar de detectar um alvo

escuro, sendo as métricas de número de polígonos detectados e taxa de omissão

quesitos mais importantes do que a métrica de inclusão. Como o crítico é deixar de

identificar uma possível emergência ambiental os erros de inclusão foram

considerados toleráveis e os resultados obtidos indicaram o segmentador do software

SPRING como mais adequado por apresentar as maiores taxas de detecção de alvos

escuros e as menores taxas de omissão em relação ao MultiSeg. A Figura 5.11

sintetiza os resultados obtidos para o agrupamento das regiões resultantes das

segmentações realizadas nos softwares SPRING e MultiSeg.

Figura 5.11 – Síntese dos resultados obtidos para o agrupamento das segmentações

realizadas nos softwares SPRING e MultiSeg.

A Figura 5.12 apresenta a visualização dos resultados do agrupamento das

regiões escuras e claras em alvos escuros e oceano após as segmentações

realizadas nos softwares SPRING e MultiSeg com e sem filtragem.

Métricas de Avaliaçao Calculadas para as

Segmentações realizadas no SPRING e no MultiSeg

MultiSeg = SPRING MultiSeg > SPRING SPRING >MultiSeg

Softwares Avaliados

Exatidão de AEscuros

FIntersecção de AEscuros

No de Regiões Escuras Detectadas

Métricas de Avaliaçao Calculadas para as

Segmentações realizadas no SPRING e no MultiSeg

MultiSeg = SPRING MultiSeg < SPRING SPRING <MultiSeg

Softwares Avaliados

Omissão Inclusão Distância Euclidiana

Figura 5.12 – Resultados do agrupamento das segmentações realizadas para os diferentes

recortes de cena com e sem filtragem para os softwares SPRING e MultiSeg.

Figura 5.12 – (Continuação) Resultados do agrupamento das segmentações realizadas para os

diferentes recortes de cena com e sem filtragem para os softwares SPRING e MultiSeg.

Figura 5.12 – (Continuação) Resultados do agrupamento das segmentações realizadas para os

diferentes recortes de cena com e sem filtragem para os softwares SPRING e MultiSeg.

A análise visual dos resultados obtidos para as cenas processadas com e sem

filtro, utilizando os 2 segmentadores, reforçou que a aplicação de filtragem nas

imagens melhora ou, praticamente não influencia na detecção de alvos escuros, para

a maioria dos casos. A diminuição do ruído após a passagem do filtro foi perceptível

visualmente no resultado final do agrupamento das segmentações para alguns

exemplos.

Comparando-se visualmente os resultados obtidos pelos processamentos com

filtragem realizados para os 2 segmentadores para cada recorte de cena estudado, foi

identificado que em 6 casos o SPRING forneceu a geometria dos alvos escuros com

maior semelhança em relação aos Phantons. O MultiSeg foi visualmente melhor em 5

casos. Desta forma, embora a análise das métricas de avaliação tenha indicado o

SPRING como o segmentador mais adequado, a análise visual indica que tanto o

SPRING como o MultiSeg foram eficazes na detecção dos alvos escuros em imagens

SAR. Esta percepção foi reforçada pelo teste de Wilcox (Tabela 5.8), o qual

evidenciou que não há diferença estatisticamente significativa entre as métricas de

avaliação obtidas para os dois segmentadores.

Considerando o escopo da aplicação em questão para todos os casos, as

diferenças verificadas não afetariam as ações de resposta, pois, com maior ou menor

precisão, alvos escuros foram identificados e uma verificação de campo poderia ser

acionada mesmo que os pequenos alvos não tivessem sido detectados. Estas

evidências levariam a conclusão de que os segmentadores testados são equivalentes

e tanto faz escolher um ou outro como mais adequado. Todavia, a acurácia da

geometria obtida na etapa de detecção de alvos escuros influencia diretamente na

eficácia do processo de classificação em um sistema de detecção automática de óleo

e ocorrências ambientais. Neste contexto o SPRING forneceu as maiores taxas de

detecção de números de polígonos, ou seja, de alvos escuros, bem como, as menores

Distâncias Euclidianas para as métricas de ajuste em relação aos Phantons.

Tabela 5.8 - Teste de Wilcox efetuado para os resultados obtidos com o segmentador MultiSeg

e SPRING com filtragem.

Portanto, apesar da proximidade dos resultados obtidos para ambos os

segmentadores, o segmentador que detectou as regiões escuras nos recortes de

cenas processados com maior proximidade das referências elaboradas nos Phantons

foi o SPRING. Este resultado não era esperado, a medida que o SPRING é um

segmentador desenvolvido com foco em imagens ópticas e o MultiSeg possui um

módulo específico para imagens de RADAR. Provavelmente este fato ocorreu porque

os recortes de cena utilizados perderam as características típicas de uma imagem

RADAR devido a compressão realizada pelo formato MrSid, fato evidenciado no item

4.1. Embora os resultados apresentados sejam um primeiro indicativo, não são

conclusivos quanto à indicação do segmentador mais adequado para a detecção

automática de regiões escuras em imagens SAR. Para as demais etapas da tese o

segmentador SPRING será utilizado para testar os diferentes métodos de

clusterização, uma vez que apresentou resultados melhores em relação ao MultiSeg.

O tempo de processamento foi outra evidência que reforçou esta escolha, sendo

menor para o SPRING em 8 dos 11 recortes de cena processados.

Como seria inviável reprocessar todos os dados novamente nesta etapa da

tese, a perspectiva futura é testar o segmentador MultiSeg em seu modo para

imagens ópticas, comparando com os resultados do SPRING.

5.4 – Etapa 4: Determinação do Método de Clusterização

Nesta etapa da tese o objetivo foi avaliar a performance de técnicas

automáticas de clusterização aplicadas à detecção de alvos escuros em imagens

SAR. Neste contexto, a utilização de regiões, ao invés de pixels, possibilitou o cálculo

e a associação de atributos diversos aos segmentos, ampliando significativamente as

possibilidades de investigação e de resultados passíveis de serem obtidos através da

clusterização (BAATZ et al., 2003). Esta abordagem difere das metodologias

disponíveis na literatura (APÊNDICE I), as quais utilizam o cálculo de diferentes

atributos somente na etapa de classificação dos alvos em óleo ou assemelhados e

não no agrupamento dos alvos escuros (TOPOUZELIS, 2008; KERAMITSOGLOU et

al., 2006; BREKKE & SOLBERG, 2005).

Conforme detalhado no Capítulo 3 (item 3.2), o processo de agrupamento ou

clusterização pode ser considerado como uma “classificação” não supervisionada de

padrões reconhecidos no conjunto de dados analisado. O reconhecimento destes

padrões, intrínsecos ao espaço n-dimensional de atributos, é efetuado

automaticamente pelo algoritmo sem o auxílio de amostras previamente classificadas

ou de informações sobre o conjunto de dados (CHEN et al., 1996; JAIN et al.,1999).

Desta forma, o processo de clusterização consiste numa metodologia capaz de

explorar automaticamente a inter-relação existente entre o conjunto de atributos,

reconhecendo padrões e agrupando-os, respectivamente, em diferentes grupos ou

clusters de acordo com um critério de similaridade previamente definido.

As etapas integrantes de uma análise de clusterização são (JAIN & DUBES,

1988; JAIN et al.,1999): a) o cálculo e a seleção de atributos; b) o reconhecimento de

padrões; c) a clusterização considerando os padrões reconhecidos; d) a abstração dos

resultados obtidos; e) a avaliação dos resultados e a validação do método indicado.

Tendo como base os itens componentes de uma típica análise de

clusterização, a metodologia proposta foi dividida em 4 etapas: (Etapa I) cálculo de

diferentes atributos, seguido da análise exploratória e da seleção dos atributos mais

indicados para a detecção de alvos escuros; (Etapa II) experimentos de clusterização

para extração de um conjunto de atributos padrão, o qual propicie a melhor predição

automática possível para delinear a geometria dos avos escuros; (Etapa III)

determinação do método padrão, definindo, o conjunto adequado de atributos, o

método de clusterização adequado e uma regra de decisão que possibilite a

automatização do sistema, e; (Etapa IV) validação dos resultados e do método

proposto com a utilização de um novo conjunto de dados. A Figura 5.13 ilustra de

maneira sintética as etapas da metodologia proposta nesta última etapa da tese.

Figura 5.13 – Etapas integrantes da metodologia proposta nesta última etapa da tese.

Como não há um consenso entre os pesquisadores sobre qual abordagem,

manual, semi-automática ou automática, representa o melhor custo/benefício para

operacionalizar a detecção de óleo e assemelhados em imagens SAR (SOLBERG &

BREKKE, 2008; TOPOUZELIS, 2008; SEASAR, 2010), uma comparação entre estas

diferentes abordagens foi realizada para definir com maior rigor o procedimento mais

eficaz.

5.4.1 – Cálculo dos Atributos

Dentre as etapas integrantes do processo de clusterização (item 5.4), o cálculo

juntamente com a seleção de atributos, é considerada a etapa mais importante (JAIL

et al., 1999). A qualidade dos resultados da clusterização é completamente

dependente da qualidade dos dados de entrada, o que confere importância estratégica

à definição do conjunto de atributos (TOPOUZELIS, 2008; SOLBERG & BREKKE,

2008; STATHAKIS et al., 2006; BENTZ, 2006).

O cálculo de atributos, denominado “feature extraction” na literatura

especializada, consiste na conversão ou transformação dos dados de entrada em

novos atributos, inserindo novas dimensões no espaço de atributos. Esta maior

variabilidade dos dados de entrada confere ao clusterizador mais possibilidades de

investigação e de combinações para convergir e encontrar uma solução ótima para o

problema estudado.

Os atributos freqüentemente utilizados na etapa de classificação de óleo e

assemelhados são agrupados em 4 categorias (BENTZ et al., 2009; TOPOUZELIS,

2008; STATHAKIS et al., 2006; KARATHANASSI et al., 2006; MONTALI et al., 2006;

BENTZ, 2006; BREKKE & SOLBERG, 2005; MARGHANY, 2001; DEL FRATE et al.,

2000; FISCELLA et al., 2000; TOPOUZELIS et al., 2000; ESPEDAL, 1999; SOLBERG,

1999; SOLBERG & VOLDEN, 1997): a) Espectrais ou Estatísticos: extraídos a partir

dos NC das imagens de satélite; b) Geométricos: extraídos da própria geometria dos

polígonos delineados pela segmentação sendo divididos em genéricos/poligonais e

skeletons. Os geométricos genéricos/poligonais constituem métricas extraídas dos

polígonos como um todo como área, perímetro, dentre outras. Os skeletons são

métricas que indicam a estrutura interna dos polígonos, sendo calculadas a partir de

uma triangulação efetuada internamente a partir das bordas dos polígonos, utilizando

o método de Delaunay (BAATZ et al., 2003); c) Texturais: calculados a partir da matriz

de co-ocorrência dos níveis de cinza (HARALICK et al., 1979), indicando a correlação

espacial existente entre pixels vizinhos, e; d) Contextuais: relacionados com o cenário

existente no momento da aquisição da imagem (ex: proximidade dos alvos de

interesse de fontes poluidoras como plataformas, dutos e/ou embarcações, dentre

outros). Atributos contextuais e relacionados à heterogeneidade e ao contraste dos

alvos escuros em relação ao oceano não foram utilizados considerando que, nesta

etapa da tese, a localização e a dimensão dos alvos escuros não são conhecidas.

Desta forma, para cada região clara ou escura individualizada no processo de

segmentação, 36 atributos foram calculados tendo como base os 11 recortes de cena

pré-processados com o filtro Lee 3X3

. Dos 36 atributos, 16 foram calculados a partir

da sobreposição das regiões sobre os pixels da imagem, sendo 8 estatísticos e 8

texturais, e 20 foram calculados a partir das propriedades geométricas dos polígonos

resultantes das segmentações. Detalhamento técnico sobre a definição dos atributos

geométricos pode ser encontrado no manual do DEFINIENS (2006) e sobre os

atributos texturais em HARALICK et al. (1973, 1979).

Os atributos estatísticos - calculados no Matlab - e os texturais e geométricos -

calculados no Definiens - foram exportados no formato tabular e compatibilizados em

um mesmo arquivo através de identificadores únicos associados a cada região. Os

atributos foram normalizados, sendo cada valor obtido para um determinado atributo

em uma região, subtraído pelo mínimo valor obtido e dividido pela diferença entre o

máximo e o mínimo.

Para que os processamentos fossem controlados, a análise exploratória, a

seleção dos atributos e a avaliação dos resultados obtidos pelas clusterizações foram

efetuadas considerando a geometria dos Phantons como referência. A proposta

considerou que, avaliando os atributos em relação a uma verdade previamente

conhecida, seria possível identificar com maior eficácia o conjunto de dados mais

adequado para retornar clusters representativos e, conseqüentemente, mais similares

às imagens de referência (Phantons).

Detalhes sobre o formato dos dados utilizados estão disponíveis no Capítulo 4: item 4.1.

Para tal foi necessário criar um atributo categórico dependente denominado

Classe do Phanton. Este atributo foi calculado, com o objetivo de associar a cada

região resultante da segmentação, um código indicando a sua localização em relação

aos alvos escuros ou ao oceano definidos no Phanton. Entretanto, em imagens SAR, o

limiar que separa um alvo escuro do oceano não é exato (ZHENG et al., 2005), as

bordas não apresentam contornos bem definidos, conseqüentemente, a sobreposição

dos limites das regiões resultantes das segmentações não necessariamente coincide

com o limite das regiões definidas no Phanton. Desta forma, tanto o Phanton

elaborado manualmente com base na experiência do intérprete quanto as regiões

resultantes das segmentações apresentam imprecisão com relação à definição das

bordas que separam um alvo escuro do oceano.

Na pesquisa realizada foi valorizada a experiência do intérprete e o atributo

Classe do Phanton foi calculado sobrepondo o Phanton às regiões da segmentação. O

resultado numérico foi uma gradação de 0 a 1 que representa quanto uma

determinada região se encontra dentro ou fora de um alvo escuro definido no Phanton.

Para gerar o atributo categórico foi necessário mapear estes valores [0 a 1] em 4

classes, considerando os respectivos intervalos de sobreposição: a) região clara

(Código 1) – sobreposição maior que 0 e menor ou igual a 0,25; b) região de transição

entre o claro e o escuro (Código 2) – sobreposição maior que 0,25 e menor que 0,50;

c) região de transição entre o escuro e o claro (Código 3) – sobreposição maior ou

igual a 0,50 e menor que 0,75, e; d) região escura (Código 4) - sobreposição maior ou

igual a 0,75 e menor ou igual a 1. A Figura 5.14 ilustra o método proposto para a

definição do Atributo Classe do Phanton.

Figura 5.14 – Método proposto para a definição do Atributo Classe do Phanton.

Embora os atributos estatísticos e texturais tenham maior chance de contribuir

para um bom resultado na clusterização, os atributos geométricos também foram

considerados. Os diferentes tipos de alvos escuros - associados a derramamento de

óleo ou a eventos meteo-oceanográficos - possuem particularidades relacionadas com

sua forma e tamanho capazes de discriminar estes diferentes tipos de eventos. Estas

propriedades descritas por BENTZ (2006) suscitaram a importância de pesquisar se

algum dos inúmeros atributos de forma, calculados pelo software Definiens, poderia

contribuir para melhorar os resultados da clusterização. Como o foco da tese foi

justamente a detecção da geometria de alvos escuros, uma investigação sobre a

influência dos atributos associados à forma no processo de clusterização não poderia

deixar de ser realizada.

5.4.2 – Análise Exploratória e Seleção de Atributos

Não existe uma solução pronta capaz de indicar quais os melhores atributos

para serem utilizados em um processo de clusterização automática (JAIN et al., 1999).

De acordo com HUGHES (1968), a partir de certo número de atributos, a inserção de

novas variáveis ao modelo insere pouco ou nenhuma informação podendo, em casos

específicos, confundir e até mesmo piorar a performance do clusterizador. Por outro

lado, independente do número de atributos e da sua ordem de inserção no modelo, a

manutenção de atributo(s) estatisticamente não significativo(s) no conjunto de dados

também prejudica a performance do clusterizador. O número e os tipos de atributos

não são fixos e variam de acordo com a natureza dos dados e do problema estudado,

sendo a análise exploratória e a seleção de atributos procedimentos fundamentais

para auxiliar na definição destes parâmetros.

Apesar da diversidade de atributos utilizada na literatura consultada, pesquisas

sistemáticas comparando a eficiência de cada atributo para a detecção de óleo e

assemelhados são raras (TOPOUZELIS et al., 2009; BENTZ et al., 2007; RAMALHO &

MEDEIROS, 2007; STATHAKIS et al., 2006; KARATHANASSI et al., 2006; BENTZ,

2006). A seleção dos atributos é feita de modo arbitrário, com base em conhecimento

teórico sem utilizar um método para a seleção de atributos (TOPOUZELIS, 2008;

STATHAKIS et al., 2006; KUBAT et al., 1998). Desta forma, muitos dos atributos

utilizados pelos especialistas não contribuem efetivamente para otimizar os resultados

da classificação (KUBAT et al., 1998).

O conhecimento prévio do usuário sobre as propriedades do conjunto de dados

e a natureza do problema estudado também é fundamental para a seleção de um

conjunto adequado de atributos (JAIN & DUBES, 1988). Neste contexto, técnicas de

análise exploratória de dados e seleção de atributos foram utilizadas para reduzir o

espaço de atributos, com o objetivo de identificar os parâmetros mais adequados para

a detecção de alvos escuros em imagens SAR.

Para avaliar a significância estatística da relação existente entre os 36 atributos

e a variável dependente Classe do Phanton, as técnicas estatísticas mono e

multivariadas utilizadas foram: a) histograma, box plot e espacialização de atributos; b)

matriz de correlação, e; d) análise de principais componentes. O módulo Variable

Screening, implementado no software Statistica especificamente para a seleção de

atributos, foi utilizado para indicar a ordem de importância das variáveis a serem

utilizadas nas clusterizações. A Figura 5.15 detalha os atributos e procedimentos

estatísticos utilizados na análise exploratória e seleção de atributos.

Figura 5.15 – Atributos e procedimentos utilizados na análise exploratória e seleção de

atributos.

5.4.2.1 – Análise de Matriz de Correlação

O coeficiente de correlação de Spearman foi considerado mais adequado por

ser não-paramétrico e avaliar a relação entre duas variáveis sem assumir

comportamento linear e distribuição normal como no caso da correlação de Pearson

(SIEGEL, 1977). De forma diferente da correlação de Pearson, aplicável somente a

dados numéricos, a correlação de Spearman pode ser aplicada a conjuntos de dados

que apresentem também variáveis categóricas ordinais, como é o caso do atributo

Classe do Phanton.

A matriz de correlação foi processada para cada uma das 11 cenas estudadas,

considerando separadamente os diferentes tipos de atributos estatísticos, geométricos

(subdividos em gerais/poligonais e skeletons) e texturais em relação ao atributo

categórico Classe do Phanton. No total foram calculadas 44 matrizes de correlação,

com o objetivo de identificar quais os atributos mais correlacionados com o Phanton.

Este capítulo apresenta somente a síntese dos resultados obtidos, as matrizes de

correlação calculadas estão disponíveis para consulta no APÊNDICE III.

Atributos Estatísticos

A Tabela 5.9 contém: a) os coeficientes de correlação dos atributos estatísticos

em relação ao Phanton para as 11 cenas processadas; b) a máxima correlação obtida

por atributo dentre as 11 cenas; c) a média das correlações obtidas por atributo, e; d) a

frequência com que a correlações não foram significativas em relação ao Phanton.

Tabela 5.9 – Coeficientes de Correlação dos atributos estatísticos em relação ao Phanton.

Dentre as 88 medidas de correlação obtidas em relação ao Phanton, nenhuma

atingiu (r) acima de 0,7, 39 (44%) apresentaram valores entre 0,5 e 0,7 e a maioria dos

casos (49: 56%) tiveram valores de (r) menores que 0,5. De maneira geral, estes

valores representam uma baixa relação dos atributos estatísticos com o Phanton.

Apesar destes baixos valores de (r), 78 casos (89%) foram considerados

estatisticamente significativos em relação ao Phanton, tendo sido possível identificar

quais os atributos que melhor se relacionaram com o Phanton.

A maior máxima correlação (em módulo) foi obtida pela Mediana em relação ao

Phanton, seguida dos atributos de Mínimo, Moda e Média. As maiores médias de

correlação foram obtidas pela Moda, Mediana, Média e Mínimo. Conseqüentemente,

estes atributos apresentaram os maiores valores de (r) observados em relação ao

Phanton, sendo estes estatisticamente não significativos em apenas duas cenas para

os atributos de Média e de Mínimo.

Os atributos de Assimetria e Curtose foram os menos correlacionados com o

Phanton com coeficientes médios de correlação de 0,12 e 0,15, respectivamente,

sendo a Assimetria o atributo que apresentou maior número de correlações não

significativas (5). A Tabela 5.10 sintetiza os resultados obtidos, indicando: a) a

freqüência acumulada com que cada um dos atributos foi correlacionado com o

Phanton do 1º (maiores coeficientes) ao 8º lugar (menores coeficientes), e; b) o

ranking final dos atributos mais indicados do 1º ao 8º lugar.

Tabela 5.10 - Análise Síntese da Matriz de Correlação para as 11 Cenas: Atributos Estatísticos.

Dentre os primeiros atributos indicados pelo ranking a Mediana, a Moda, a

Média e o Mínimo foram os que tiveram maior correlação com o Phanton com

coeficientes médios de correlação de Spearman (r) de 0,5, sendo, provavelmente, os

mais adequados para serem utilizados na etapa de clusterização.

Atributos Geométricos: Genéricos e Poligonais

A Tabela 5.11 contém: a) os coeficientes de correlação dos atributos

geométricos (genéricos/poligonais) em relação ao Phanton para as 11 cenas

processadas; b) a máxima correlação obtida por atributo dentre as 11 cenas; c) a

média das correlações obtida por atributo, e; d) a frequência com que a correlações

não foram significativas em relação ao Phanton.

Tabela 5.11 – Coeficientes de Correlação dos atributos Geométricos Genéricos e Poligonais

em relação ao Phanton.

Os coeficientes obtidos indicaram que os atributos geométricos não

apresentaram bons coeficientes de correlação em relação ao Phanton, tendo sido a

média das máximas correlações 0,37 e a média global das correlações 0,16. Dentre as

143 correlações obtidas em relação ao Phanton, nenhuma apresentou valores de (r)

acima de 0,7, apenas 1 (1%) apresentou valor 0,5 e a maioria dos casos (142 – 99%)

tiveram valores de (r) menores que 0,5. Estes valores reforçam a baixa relação dos

atributos geométricos (genéricos e poligonais) com o Phanton. Apesar destes baixos

valores de (r), a maioria dos casos 109 (76%) apresentou correlação considerada

estatisticamente significativa em relação ao Phanton.

Os atributos de Ajuste Elíptico, Ajuste Retangular e Largura tiveram os piores

índices de correlação, sendo praticamente nulos. Coerentemente, estes atributos

estão entre os que tiveram os maiores números de correlações não significativas em

relação ao Phanton.

A Tabela 5.12 sintetiza dos resultados obtidos, indicando: a) a freqüência

acumulada com que cada um dos atributos foi correlacionado com o Phanton do 1º

(maiores coeficientes) ao 13º lugar (menores coeficientes), e; b) o ranking final dos

atributos mais indicados do 1º ao 13º lugar.

Tabela 5.12 - Análise síntese da Matriz de Correlação para as 11 Cenas: Atributos Geométricos

Genéricos e Poligonais

A freqüência acumulada indicou que os atributos geométricos que mais se

relacionaram com o Phanton foram a Assimetria dos Polígonos, o Comprimento e a

Densidade, sendo estes os atributos com maiores valores médios de (r) observados

em relação ao Phanton.

Atributos Geométricos: Skeletons

A Tabela 5.13 contém: a) os coeficientes de correlação dos atributos

geométricos (skeletons) em relação ao Phanton para as 11 cenas processadas; b) a

máxima correlação obtida por atributo dentre as 11 cenas; c) a média das correlações

obtida por atributo, e; d) a frequência com que a correlações não foram significativas

em relação ao Phanton.

Tabela 5.13 – Coeficientes de Correlação dos atributos Geométricos Skeletons em relação ao

Phanton.

Os coeficientes máximos e médios obtidos indicaram que os atributos de

geométricos (Skeletons), não foram bem relacionados com o Phanton, sendo todos os

(r) menores do que 0,5. Estes valores reforçam a baixa relação dos atributos

geométricos (Skeletons) com o Phanton. Em concordância com estes resultados, além

dos baixos valores de (r), 52 casos (72%) apresentaram correlação considerada

estatisticamente não significativa em relação ao Phanton.

A Tabela 5.14 sintetiza os resultados obtidos, indicando: a) a freqüência

acumulada com que cada um dos atributos foi correlacionado com o Phanton do 1º

(maiores coeficientes) ao 7º lugar (menores coeficientes), e; b) o ranking final dos

atributos mais indicados do 1º ao 7º lugar.

Tabela 5.14 - Análise síntese da Matriz de Correlação para as 11 Cenas: Atributos Geométricos

Skeletons.

O Desvio Padrão do Comprimento das Bordas foi o atributo com maiores

valores de (r), sendo o mais indicado em 1º lugar, seguido do Comprimento da Linha

Principal I e II em 2º e 3º lugar, sendo estes os atributos que tiveram o maior número

de casos estatisticamente significativos em relação ao Phanton.

Atributos Texturais

A Tabela 5.15 contém: a) os coeficientes de correlação dos atributos texturais

em relação ao Phanton para as 11 cenas processadas; b) a máxima correlação obtida

por atributo dentre as 11 cenas; c) a média das correlações obtida por atributo, e; d) a

frequência com que a correlações não foram significativas em relação ao Phanton.

Dentre as 88 medidas de correlação obtidas em relação ao Phanton, nenhuma

apresentou valores de (r) acima de 0,7, apenas 8 (9%) apresentaram valores entre 0,5

e 0,7 e a maioria dos casos (80 – 91%) tiveram valores de (r) menores que 0,5. Estes

resultados reforçam a baixa relação dos atributos texturais com o Phanton. Apesar

100

destes baixos valores de (r), a maioria dos casos 72 (81%) apresentou correlação

considerada estatisticamente significativa em relação ao Phanton.

Tabela 5.15 – Coeficientes de Correlação dos atributos texturais em relação ao Phanton.

A Tabela 5.16 sintetiza os resultados obtidos, indicando: a) a freqüência

acumulada com que cada um dos atributos foi correlacionado com o Phanton do 1º

(maiores coeficientes) ao 8º lugar (menores coeficientes), e; b) o ranking final dos

atributos mais indicados do 1º ao 8º lugar.

Tabela 5.16 - Análise síntese da Matriz de Correlação para as 11 Cenas: Atributos Texturais.

De acordo com o ranking do 1º ao 8º lugar os 3 primeiros atributos mais

indicados foram o GLCM da Média, Correlação e 2º Momento Angular. Estes

resultados mantêm coerência com os coeficientes de correlação que indicaram como

atributos mais relacionados ao Phanton o GLCM da Média, da Correlação e da

Entropia, sendo estes os atributos com maiores valores de (r) e maior número de

casos estatisticamente significativos em relação ao Phanton seguidos do GLCM do 2º

Momento Angular.

101

5.4.2.2 – Análise de Componentes Principais

Conforme diagnosticado pelas análises de correlação, no universo dos 36

atributos estudados alguns apresentaram baixa correlação com o Phanton. Estes

resultados forneceram indícios de que seria necessário reduzir a dimensionalidade dos

dados excluindo atributos fracamente correlacionados com o Phanton, os quais não

explicam o problema e podem prejudicar os resultados das clusterizações. Neste

contexto, a análise de componentes principais (ACP) foi utilizada para indicar o

conjunto mínimo de atributos, capazes de preservar a maior representatividade contida

no conjunto de dados original.

A ACP pode ser efetuada utilizando como base uma matriz de correlação ou de

variâncias-covariâncias. Como resultado, o espaço n-dimensional de atributos é

combinado linearmente resultando em n-componentes principais, denominados

autovetores, cada qual com um autovalor associado. Os autovalores correspondem à

variância total dos dados originais distribuída de forma decrescente entre cada um dos

autovetores (JOHNSON & WICHERN, 1992). A análise efetuada verificou quantos

autovetores eram necessários para atingir um percentual de representatividade de

pelo menos 90% em relação aos dados originais. No total foram processadas 11 ACP,

as tabelas resultantes com o valor dos autovalores, da variância total e cumulativa

para cada autovetor estão disponíveis para consulta no APÊNDICE IV. A Figura 5.16

disponibiliza os gráficos resultantes da ACP para cada recorte de cena, indicando o

número de autovetores responsáveis por pelo menos 90% da representatividade dos

dados.

O número de componentes, ou autovetores, são disponibilizados em ordem

decrescente de acordo com os autovalores obtidos, sendo o número de componentes

igual ao número de variáveis. Os gráficos da Figura 5.16 evidenciaram que a partir de

certo número de autovetores a variância acumulada estabiliza, aumentando muito

pouco em cada componente. O maior percentual da representatividade dos dados

ficou concentrado nas primeiras componentes.

No caso em estudo, o número de componentes necessários para atingir uma

representatividade de pelo menos 90% variou entre 4 e 10. Em média foram

necessários apenas 8 atributos em relação ao conjunto de dados inicial, 22% do total

de atributos (36). A Tabela 5.17 contém a síntese das ACP indicando o número de

componentes necessários para manter pelo menos 90% da representatividade dos

dados em cada cena.

102

Figura 5.16 - Gráficos resultantes da ACP efetuadas para as 11 cenas analisadas.

variância estabilizada

9 atributos representam

90% da variância

6 atributos representam

90% da variância

8 atributos representam

90% da variância

8 atributos representam

90% da variância

10 atributos representam

90% da variância

4 atributos representam

90% da variância

103

Figura 5.16 – Continuação: Gráficos resultantes da ACP efetuadas para as 11 cenas

analisadas.

variância estabilizada

8 atributos representam

90% da variância

variância estabilizada

1 2 3 4 5 6 7 8 9 10 11

Recortes de Cena

de Atributos

No de Atributos para a

Representativ idade de 90%

variância estabilizada

7 atributos representam

90% da variância

10 atributos representam

90% da variância

9 atributos representam

90% da variância

8 atributos representam

90% da variância

104

Tabela 5.17 - Síntese do número de componentes necessários em cada cena para manter pelo

menos 90% da representatividade dos dados.

Como o número de atributos não é fixo e varia a cada nova cena estudada, as

análises subseqüentes são importantes para verificar se uma padronização do número

e dos tipos de atributos é viável para automatizar o sistema.

5.4.2.4 – Seleção de Atributos

O processo de seleção de atributos tem como objetivo identificar um

subconjunto de atributos que melhor caracterize o conjunto original de dados (LIU &

SETIONO, 1995; LEHMANN, 2005; STATHAKIS et al., 2006) removendo variáveis

irrelevantes, redundantes ou ruidosas. A redução do número de atributos diminui o

custo computacional envolvido nos processamentos, melhora a qualidade do conjunto

de dados e, conseqüentemente, o potencial de predição das variáveis, tornando os

resultados mais precisos e fáceis de serem interpretados (DUDA & HARD, 1973; JAIN

et al., 1999; NISBET et al, 2009).

Conforme comentado no item 5.4.2 a seleção de atributos é um procedimento

essencial para melhorar o desempenho da clusterização. A seleção de um

subconjunto de atributos mais representativo para ser utilizado em análises

subseqüentes pode melhorar significativamente o reconhecimento de padrões e,

conseqüentemente, a representatividade dos clusters. Especialmente nos casos em

que se tem um grande volume de dados, avaliar a importância relativa de cada atributo

pode torna-se difícil e até mesmo inviável sem a utilização de um método automático

de seleção de atributos (NISBET et al, 2009).

Existe uma diversidade de algoritmos para seleção de atributos (LEHMANN,

2005), sendo os métodos mais comumente utilizados os heurísticos e os de busca

105

exaustiva (BLUM & LANGLEY, 1997; WU & FLACH, 2002). Considerando que o

número de combinações (C) possíveis em um conjunto de dados com M atributos

equivale a C=2

, uma busca exaustiva pelo melhor subconjunto de atributos pode ser

computacionalmente inviável dependendo da dimensão do espaço de atributos.

Nestes casos, os métodos de busca heurística são amplamente utilizados, sendo as

abordagens mais comuns: a) ganho de informação; b) índice de gini; c) medidas de

discrepância, e; c) teste chi-quadrado (WU & FLACH, 2002; LEHMANN, 2005).

No âmbito da tese, o método de seleção de atributos baseado no teste de chi-

quadrado foi considerado adequado por tratar amplos conjuntos de dados contendo

variáveis independentes numéricas e dependentes categóricas sem assumir que a

relação entre os preditores e a variável dependente é linear ou monovariada. O chi-

quadrado tem sido indicado na literatura como um método efetivo e confiável para

selecionar variáveis numéricas e ordinais, como é o caso do estudo proposto (LIU &

SETIONO, 1995). O algoritmo calcula um valor de chi-quadrado para cada atributo

independente (36 preditores) em relação a variável dependente (Classe do Phanton).

Como resultado final o algoritmo fornece uma tabela com o ranking dos atributos

ordenados de maneira decrescente, considerando a significância estatística (p valor)

calculada para cada valor de chi-quadrado (Statistica). As tabelas contendo os

resultados fornecidos pelo chi-quadrado para as 11 cenas estudadas estão disponíveis

para consulta no APÊNDICE V.

Como a ACP indicou que no máximo 10 atributos foram necessários para

manter 90% da representatividade do conjunto de dados original, a análise dos

resultados obtidos pela seleção de atributos considerou somente os 10 primeiros

atributos. A Tabela 5.18 disponibiliza o ranking dos 10 atributos mais importantes para

cada cena, de acordo com o chi-quadrado.

Tabela 5.18 – Ranking dos 10 atributos mais importantes para cada cena

106

Embora haja uma recorrência de certos atributos nos 11 recortes de cena

estudados, o conjunto dos 10 melhores atributos indicados pelo método de seleção

variou de cena para cena. Este resultado é esperado uma vez que o conteúdo das

imagens, ou seja, os tipos de alvos, sua dimensão e geometria são diferentes em cada

cena. Os parâmetros relacionados ao modo de imageamento do sensor como ângulo

de incidência, largura da faixa e resolução espacial utilizados no momento da

aquisição também originam estas diferenças entre as cenas (KARATHANSSI et al.,

2006; BAATZ et al., 2003; GASULL et al., 2002). Mesmo imagens adquiridas por um

mesmo sensor em um mesmo modo de imageamento apresentarão diferenças, sendo

estas influenciadas predominantemente pelas condições meteo-oceanográficas

estabelecidas na superfície do mar no momento da aquisição dos dados (Capitulo 2,

item 2.2).

O desafio proposto foi encontrar um conjunto de atributos padrão, capaz de

retornar bons resultados na clusterização, sendo utilizado a cada nova cena

processada, fornecendo como resultado clusters representativos para os alvos

escuros contidos na cena. Para que esta análise fosse factível, o conjunto de cenas

teste selecionadas para a tese buscou abranger esta diversidade de tipos de alvos e

complexidade de cenários (Capitulo 4, item 4.1).

Esta heterogeneidade encontrada entre os 10 atributos mais importantes (chi-

quadrado) para cada recorte de cena é consequência desta seleção. Se as cenas

tivessem sido recortadas sempre individualizando um único alvo com um bom

contraste em relação ao oceano (priorizando eventos relacionados a óleo) - como

frequentemente observado na literatura disponível - seria possível ter obtido uma

maior homogeneidade entre os atributos selecionados. Esta maior recorrência dos

atributos selecionados facilitaria a padronização deste parâmetro (tipos e número de

atributos), entretanto, não refletiria a realidade das imagens SAR adquiridas nas áreas

oceânicas, provavelmente resultando em uma grande oscilação no desempenho da

clusterização.

Para indicar esse conjunto padrão de atributos, ao invés de se trabalhar

individualmente com a performance obtida utilizando os 10 melhores atributos

indicados para cada cena, a freqüência acumulada de indicação dos atributos foi

avaliada, originando um ranking com os 10 mais indicados (Tabela 5.19).

107

Tabela 5.19 – Ranking dos 10 atributos mais importantes indicados pelo chi-quadrado do 1º ao

10º lugar.

O método de seleção utilizado indicou os atributos estatísticos como os mais

relacionados com o Phanton, ocupando os 5 primeiros lugares no ranking,

respectivamente: Mediana, Média, Moda, Mínimo e Máximo. Embora a ordem de

importância dos atributos seja diferente da indicada pelos coeficientes de correlação

de Spearman, os atributos são praticamente os mesmos. Em concordância com os

resultados obtidos anteriormente, estes atributos foram os que tiveram os maiores

coeficientes ((r)≈0,5) e a menor freqüência de coeficientes estatisticamente não

significativos (p<0,05) em relação ao Phanton.

Conforme esperado, os atributos indicados nas análises anteriores como pouco

relacionados com o Phanton, os geométricos e os texturais foram os menos indicados

entre os 10 primeiros do ranking. Apesar dos baixos coeficientes, a Assimetria dos

Polígonos, a Densidade e o GLCM da Média estão entre os atributos geométricos e

textuais mais correlacionados significativamente com o Phanton.

A Figura 5.17 contém a espacialização dos 10 atributos normalizados indicados

pelo ranking, sendo visualmente perceptível que os atributos estatísticos apresentam

maior potencial para auxiliar na detecção dos alvos escuros. Os atributos estatísticos

ressaltaram com maior contraste, maior estabilidade e menor ruído as geometrias

referentes aos alvos escuros em todas as cenas, sendo os atributos de Mínimo e de

Máximo os menos estáveis.

108

Figura 5.17 - Espacialização dos 10 atributos mais indicados pelo ranking para as 11 cenas

estudadas.

109

Figura 5.17 – Continuação: Espacialização dos 10 atributos mais indicados pelo ranking para

as 11 cenas estudadas.

110

Figura 5.17 – Continuação: Espacialização dos 10 atributos mais indicados pelo ranking para

as 11 cenas estudadas.

111

Figura 5.17 – Continuação: Espacialização dos 10 atributos mais indicados pelo ranking para

as 11 cenas estudadas.

Embora os atributos geométricos tenham apresentado um comportamento

instável e ruidoso para a maioria das cenas, de forma contrária, nas cenas 2, 3 e 6, em

que manchas de óleo com geometrias bem definidas e alongadas estavam presentes,

estes atributos contribuíram significativamente para aumentar o contraste com o

oceano. Visualmente, o atributo de Densidade parece ter contribuído também para

ressaltar assemelhados produzidos pela presença de óleos biológicos nas cenas 1 e

11, e de baixa intensidade de vento na cena 7. Com exceção da cena 2, o atributo

textural que aparentou ter o maior potencial para auxiliar no reconhecimento de

padrões foi o GLCM da Homogeneidade. Mesmo abrangendo um número menor de

cenas, o GLCM da Média visualmente contribuiu para destacar feições em relação ao

oceano nos recortes de cenas 3, 6, 7, 10 e 11.

Os trabalhos que utilizaram seleção de atributos na etapa de classificação

confirmaram a importância de alguns dos atributos indicados entre os 10 melhores

pelo método de seleção utilizado. Os atributos geométricos de Assimetria dos

Polígonos, Ajuste Retangular e Densidade e o atributo textural GLCM da Média,

também foram selecionados por TOPOUZELIS et al. (2009) e STATHAKIS et al.

(2006). KARATHANASSI et al. (2006) também indicou o GLCM da Média e BENTZ

(2006) a Assimetria dos Polígonos. O GLCM da Homogeneidade de HARALICK et al.

(1979) também foi um atributo indicado na literatura (AKKARTAL & SUNAR; 2008,

MARGHANY, 2001; ASSILZADEH & MANSOR, 2001) com potencial para auxiliar a

detecção automática de alvos escuros em imagens SAR, indicando as áreas com

máxima homogeneidade na cena. A indicação dos atributos estatísticos de primeira

ordem não foi explicitamente verificada na literatura porque os autores utilizam

métricas calculadas a partir da combinação destes atributos.

Portanto, para a detecção de alvos escuros, os atributos selecionados como

mais importantes pelo chi-quadrado foram, respectivamente: Mediana, Média, Moda,

Mínimo, Máximo, GLCM da Média, Ajuste Retangular, GLCM da Homogeneidade,

Assimetria dos Polígonos e Densidade. Importante destacar que os atributos

112

selecionados pelo chi-quadrado como mais importantes são multicorrelacionados entre

si, as matrizes de correlação estão disponíveis no APÊNDICE III. Entretanto, é notável

que estes atributos foram os que apresentaram as melhores correlações com o

Phanton, sendo os demais atributos muito pouco relacionados. Desta forma, a seleção

efetuada não é considerada definitiva, pois a contribuição efetiva de cada um destes

atributos para a detecção de alvos escuros também será avaliada através dos

resultados das clusterizações realizadas nas próximas etapas da tese.

5.4.3 – Reconhecimento de Padrões por Clusterização Automática

Nesta etapa da tese o objetivo foi avaliar a performance de técnicas

automáticas de clusterização aplicadas à detecção de alvos escuros em imagens

SAR. Conforme definido (Capítulo 5.4), o processo de clusterização é capaz de

explorar automaticamente a inter-relação existente entre o conjunto de atributos,

reconhecendo padrões e agrupando-os em clusters, de acordo com um critério de

similaridade previamente estabelecido. O reconhecimento de padrões é considerado

essencial no processo de clusterização e está intrinsecamente ligado à qualidade dos

atributos selecionados (JAIL et al., 1999).

O padrão (X) é representado por um vetor multidimensional (X = X

....X

) onde

cada dimensão corresponde a um atributo, sendo a dimensionalidade do padrão igual

ao número total de atributos considerados (DUDA & HART, 1973). Espera-se que as

propriedades estatísticas do conjunto de atributos extraídos das imagens SAR e da

geometria dos polígonos apresentem comportamento diferenciado nas regiões

escuras e claras das imagens. Este comportamento, quando identificado através de

padrões discriminantes entre si, permitiria ao algoritmo detectar clusters

representativos separando, sem ou com reduzida confusão, os alvos escuros do

oceano.

Padronizar os parâmetros envolvidos nas etapas de processamento é

necessário para implementar um sistema automático, sendo a definição dos tipos e da

quantidade de atributos fundamental para a etapa de clusterização. Este quesito é

raramente abordado na literatura especializada em detecção automática de óleo. Cada

autor utiliza um número diferente de atributos (TOPOUZELIS et al., 2002; 2008, e;

2009; STATHAKIS et al., 2006; KARATHANASSI et al., 2006), sem apresentar

estudos evidenciando que a escolha representa a melhor performance para os

classificadores (APÊNDICE I).

113

As clusterizações foram efetuadas no software Clustan módulo Focal Point

(FP) inserindo os 10 melhores atributos um a um, na ordem de importância indicada

(Tabela 5.19), com o objetivo de verificar a parcela de contribuição de cada atributo

nos resultados da clusterização. A validação do melhor conjunto de atributos foi

efetuada comparando os alvos escuros resultantes das inúmeras clusterizações

efetuadas, com os alvos escuros definidos como referência nos Phantons elaborados

para cada cena. A metodologia utilizada para a validação do conjunto adequado de

atributos está detalhada no fluxograma da Figura 5.18.

Figura 5.18 - Metodologia utilizada para a validação do conjunto adequado de atributos.

A avaliação da qualidade dos alvos escuros produzidos pelas clusterizações

em relação aos Phantons não considerou todas as métricas de avaliação utilizadas

nas etapas anteriores da tese. Índices como a Fração de Intersecção de Alvos

Escuros (FInt), a Intersecção de Polígonos (IPol) e a taxa de Omissão (Om) tornaram-

se insensíveis para caracterizar as diferenças entre os resultados obtidos. Isto ocorreu

porque, dentre as inúmeras clusterizações efetuadas considerando diferentes

combinações de atributos, existem resultados bons e ruins para serem avaliados. Para

os resultados em que ocorreu a inclusão exagerada de regiões que seriam oceano

como alvos escuros, uma sobreposição com o Phanton indicaria que todos os alvos

escuros foram detectados, sem considerar a imprecisão da forma dos clusters. Neste

contexto, as métricas de avaliação FInt e IPol não poderiam ser consideradas para

avaliar todos os resultados obtidos, sendo indicado não utilizá-las a fim de evitar

interpretações errôneas. A mesma recomendação aplica-se para o índice de omissão

(Om), sendo praticamente nulo nos casos em que os erros de inclusão (In) foram

exagerados, tornando-se inexpressivo para a avaliação.

114

Como o cálculo dos atributos de ajuste Gf, Fiti, Fitn e Fitxy exige um alto custo

computacional e o volume de resultados produzidos foi muito grande (cerca de 550

imagens agrupadas), tornou-se inviável utilizá-los nesta etapa da tese.

O atributo indicado como mais coerente para ser utilizado na avaliação dos

resultados foi a Exatidão dos Alvos Escuros (ExAE), métrica que considera a

intersecção dos alvos escuros dividida pela união da intersecção, com os erros de

omissão e de inclusão (Capitulo 3: Item 3.3). Como esta métrica considera os erros de

Om e de In adquire sensibilidade para indicar situações em que o clusterizador falhou

incluindo ou omitindo regiões erroneamente nos alvos escuros, sendo o agrupamento

perfeito obtido quando ExAE for igual a 1.

Os resultados iniciais evidenciaram que, mesmo utilizando um método para a

seleção de atributos, o processamento simultâneo dos atributos selecionados pode

causar oscilações na performance do clusterizador, o que nem sempre retorna

resultados aceitáveis. Na maioria das cenas estudadas a utilização do atributo de

Mínimo isolado ou em conjunto com o Máximo piorou os resultados da clusterização e,

conseqüentemente, a detecção de alvos escuros. A capacidade de discriminação

associada a um determinado atributo muda se o mesmo estiver sendo analisado

isoladamente ou em conjunto (TOPOUZELIS et al., 2009). A Figura 5.19 disponibiliza

os clusters resultantes da utilização simultânea e individual dos atributos de máximo e

mínimo nos resultados da clusterização, juntamente com a ExAE obtida em cada caso.

Figura 5.19 – Influência da utilização simultânea e individual dos atributos de Máximo e Mínimo

na clusterização.

115

Figura 5.19 – Influência da utilização simultânea e individual dos atributos de máximo e mínimo

na clusterização.

116

Figura 5.19 – Continuação: Influência da utilização simultânea e individual dos atributos de

máximo e mínimo na clusterização.

A espacialização dos clusters detectados, juntamente com a ExAE obtida para

cada recorte de cena em relação ao Phanton, confirmou que o atributo de Mínimo

produz um efeito negativo na grande maioria dos casos, prejudicando a performance

da clusterização. Para entender os motivos pelos quais este efeito ocorre a Figura

5.20 disponibiliza, para 3 exemplos: a) as imagens de RADAR filtradas com o Lee 3x3

sem nenhum contraste aplicado; b) a espacialização dos atributos de Mínimo e

Máximo, e; c) os box plots gerados com a distribuição dos atributos de Máximo e

117

Mínimo em relação às 4 classes do atributo categórico Classe do Phanton definidas na

Figura 5.14.

Figura 5.20 – Propriedades dos atributos de Máximo e Mínimo que influenciam na

clusterização.

Separa bem

Menor

Confusão entre

as classes

Confusão entre

as classes

Confusão entre

as classes

Confusão entre

as classes

118

Nos box plots foi possível verificar que a distância entre as Regiões Claras

(RC) e Escuras (RE), e de Transição entre o Claro (RTC) e o Escuro (RTE) foi maior

para o atributo de Máximo. Quanto maior for a diferença existente entre as Regiões

(RC, RTC, RTE e RE) maior será o contraste dos alvos escuros em relação ao oceano

e, conseqüentemente, o potencial do clusterizador para identificar padrões que

possibilitem um melhor particionamento do conjunto de dados. Este melhor contraste

entre os alvos escuros e o oceano fornecido pelo Máximo é visível na espacialização

dos atributos na Figura 5.22. Desta forma, o atributo de Mínimo não constitui uma boa

métrica, sendo indicada a sua exclusão do conjunto de atributos selecionados pelo chi-

quadrado. Esta recomendação é reforçada com os dados disponíveis na Tabela 5.20,

que disponibiliza a ExAE obtida pelas clusterizações, considerando os atributos de

Máximo e Mínimo simultaneamente e individualmente.

Tabela 5.20 – Exatidão dos Alvos Escuros (ExAE) obtida para as clusterizações efetuadas,

considerando os atributos de máximo e mínimo simultaneamente e individualmente.

O gráfico confirmou as análises indicando que na média a clusterização

considerando somente o atributo de Máximo teve um melhor desempenho

caracterizado pelas maiores ExAE. Para a grande maioria das cenas clusterizadas,

quando a ExAE não foi maior considerando somente o atributo de Máximo, foi igual à

ExAE obtida com a combinação do Máximo e do Mínimo.

Com base nos resultados apresentados, a série de Figuras 5.21 a 5.31

disponibiliza os resultados das clusterizações realizadas para as 11 cenas, inserindo

um a um os 9 melhores atributos indicados pela análise exploratória e pelo método de

seleção de atributos, desconsiderando o atributo de Mínimo. Os gráficos elaborados

disponibilizam conjuntamente a variação da ExAE e da Média da Soma dos

Quadrados da Distância Euclidiana (ME), obtidos para as clusterizações realizadas a

cada novo atributo considerado. A ME foi analisada por ser o critério utilizado pelo FP

Média

ExAE

119

para convergir ao final das interações em uma solução considerada ótima para a

clusterização (WISHART, 2004).

Figura 5.21 – Gráfico e espacialização das clusterizações realizadas para a Cena 1.

Figura 5.22 – Gráfico e espacialização das clusterizações realizadas para a Cena 2.

0,80

0,000

0,001

0,005

0,009

0,0

0,3

0,5

0,8

1,0

2 3 4 5 6 7 8 9

No de Atributos

0,000

0,003

0,006

0,009

0,012

Exatidão Soma dos Quadradados da Distância Euclidiana

Atributos

0,328

0,329

0,392

0,377

0,388

0,351

0,011

0,012

0,007

0,006

0,003

0,004

0,0

0,1

0,2

0,3

0,4

0,5

2 3 4 5 6 7 8 9

No de Atributos

0,000

0,004

0,008

0,012

0,016

Exatidão Soma dos Quadradados da Distância Euclidiana

Atributos

120

Figura 5.23 – Gráfico e espacialização das clusterizações realizadas para a Cena 3.

Figura 5.24 – Gráfico e espacialização das clusterizações realizadas para a Cena 4.

0,081

0,151

0,169

0,170

0,203

0,215

0,0010

0,0013

0,0024

0,0037

0,0049

0,0087

0,0083

0,0

0,1

0,2

0,3

2 3 4 5 6 7 8 9

No de Atributos

0,000

0,003

0,005

0,008

0,010

Exatidão Soma dos Quadradados da Distância Euclidiana

Atributos

0,348

0,315

0,349

0,0020

0,0028

0,0025

0,0047

0,0063

0,0056

0,0127

0,0119

0,0

0,1

0,2

0,3

0,4

0,5

2 3 4 5 6 7 8 9

No de Atributos

0,000

0,003

0,006

0,009

0,012

0,015

Exatidão Soma dos Quadradados da Distância Euclidiana

Atributos

121

Figura 5.25 – Gráfico e espacialização das clusterizações realizadas para a Cena 5.

Figura 5.26 – Gráfico e espacialização das clusterizações realizadas para a Cena 6.

0,507

0,314

0,335

0,0033

0,0037

0,0043

0,0059

0,0078

0,0085

0,0167

0,0154

0,0

0,1

0,2

0,3

0,4

0,5

0,6

2 3 4 5 6 7 8 9

No de Atributos

0,000

0,004

0,008

0,012

0,016

0,020

Exatidão Soma dos Quadradados da Distância Euclidiana

Atributos

0,119

0,242

0,246

0,248

0,0073

0,0075

0,0031

0,0018

0,0007

0,0005

0,0006

0,0

0,1

0,2

0,3

0,4

2 3 4 5 6 7 8 9

No de Atributos

0,000

0,002

0,004

0,006

0,008

Exatidão Soma dos Quadradados da Distância Euclidiana

Atributos

122

Figura 5.27 – Gráfico e espacialização das clusterizações realizadas para a Cena 7.

Figura 5.28 – Gráfico e espacialização das clusterizações realizadas para a Cena 8.

0,775

0,435

0,444

0,440

0,0128

0,0133

0,0076

0,0084

0,0066

0,0026

0,0014

0,0011

0,0

0,2

0,4

0,6

0,8

2 3 4 5 6 7 8 9

No de Atributos

0,000

0,005

0,010

0,015

Exatidão Soma dos Quadradados da Distância Euclidiana

Atributos

0,422

0,433

0,612

0,565

0,566

0,562

0,0045

0,0050

0,0045

0,0072

0,0084

0,0092

0,0147

0,0140

0,0

0,2

0,4

0,6

2 3 4 5 6 7 8 9

No de Atributos

0,000

0,004

0,008

0,012

0,016

Exatidão Soma dos Quadradados da Distância Euclidiana

Atributos

123

Figura 5.29 – Gráfico e espacialização das clusterizações realizadas para a Cena 9.

Figura 5.30 – Gráfico e espacialização das clusterizações realizadas para a Cena 10.

0,150

0,174

0,188

0,186

0,167

0,168

0,0033

0,0046

0,0041

0,0070

0,0079

0,0077

0,0117

0,0111

0,0

0,1

0,2

0,3

2 3 4 5 6 7 8 9

No de Atributos

0,000

0,003

0,006

0,009

0,012

0,015

Exatidão Soma dos Quadradados da Distância Euclidiana

Atributos

0,282

0,253

0,240

0,0012

0,0017

0,0016

0,0030

0,0052

0,0068

0,0122

0,0117

0,0

0,1

0,2

0,3

0,4

2 3 4 5 6 7 8 9

No de Atributos

0,000

0,004

0,008

0,012

0,016

Exatidão Soma dos Quadradados da Distância Euclidiana

Atributos

124

Figura 5.31 – Gráfico e espacialização das clusterizações realizadas para a Cena 11.

A ME tende a aumentar com o aumento do número de atributos, isto ocorre

porque a cada nova clusterização o algoritmo procura convergir a melhor solução

minimizando a ME, a inclusão de atributos tende a aumentar a ME devido ao aumento

gradativo da dispersão dos clusters.

O critério utilizado para definir se o resultado de uma clusterização foi

satisfatório, considerou uma ExAE maior ou igual a 0,5, equivalente a no mínimo 50%

de representatividade em relação ao Phanton. Este critério foi definido interativamente

pelo intérprete, a partir da comparação visual dos resultados obtidos pelo clusterizador

em relação ao Phanton. Este critério poderia ser mais rigoroso, todavia, a imprecisão

na definição exata dos limites de borda que separam um alvo escuro do oceano é

inerente às imagens SAR, devido a inúmeros fatores descritos no Capítulo 2.

Conforme comentado anteriormente, o próprio Phanton possui imprecisão associada

ao delineamento manual dos limites de borda.

A cena 1 (Figura 5.21) convergiu para a melhor ExAE com 4 atributos e a

menor ME. Neste caso, a utilização de um número menor de atributos (2 ou 3)

prejudicou a performance da clusterização, com diferenças identificáveis na

interpretação visual dos clusters produzidos. Quando comparados ao Phanton, os

0,081

0,102

0,328

0,103

0,331

0,0094

0,0096

0,0081

0,0102

0,0121

0,0123

0,0155

0,0

0,1

0,2

0,3

0,4

2 3 4 5 6 7 8 9

No de Atributos

0,000

0,004

0,008

0,012

0,016

0,020

Exatidão Soma dos Quadradados da Distância Euclidiana

Atributos

125

resultados obtidos pela clusterização foram considerados não satisfatórios, sendo sua

representatividade menor do que 50%, com índices de ExAE entre 0,32 e 0,40.

A inserção dos 9 atributos um a um na cena 2 (Figura 5.22) não alterou o

índice de ExAE, e não provocou alterações visíveis na representatividade dos clusters

obtidos. Neste caso, com apenas 2 atributos e a menor ME o algoritmo convergiu para

a melhor ExAE. Os clusters obtidos pelo método automático foram considerados

satisfatórios quando comparados visualmente com o Phanton, alcançando ExAE de

0,80, indicando 80% de representatividade.

Na cena 3 (Figura 5.23), não foi observado ganho significativo nos índices de

ExAE com o aumento gradativo do número de atributos. Embora as maiores Exatidões

tenham sido observadas com a utilização de 7, 8 e 9 atributos (0,349), a diferença

entre estes e os índices obtidos com 2, 3 e 4 atributos (0,348) foi irrisória 0,001. Neste

caso, com apenas 2 atributos foi possível convergir para a melhor solução, sendo que

a inserção dos demais atributos não alterou os resultados obtidos. Nesta cena, a

clusterização foi considerada não satisfatória com representatividade máxima de 35%.

A cena 4 (Figura 5.24) convergiu para a melhor ExAE com 9 atributos e com

uma maior ME. Visualmente, os clusters resultantes não apresentaram mudanças

discrepantes com a utilização de mais de 4 atributos, entretanto, a utilização de 2 ou 3

atributos prejudicou os resultados. Quando comparados ao Phanton, os resultados

foram considerados não satisfatórios, sendo sua representatividade menor do que

50%, com índices de ExAE oscilando entre 0,08 e 0,215.

Na cena 5 (Figura 5.25) também é evidente que a utilização de 2 e 3 atributos

não favoreceu o clusterizador. A inserção gradativa de atributos não alterou a

representatividade visual dos clusters e, considerando a ExAE, os índices oscilaram

de minimamente entre 0,242 e 0,248, representando um ganho de 0,006. Neste caso,

o modelo mais simplificado seria utilizar 4 atributos com a menor ME. Os resultados

também foram considerados não satisfatórios quando comparados com o Phanton,

alcançando ExAE menores que 50%.

Na cena 6 (Figura 5.26) com apenas 2 atributos e a menor ME o algoritmo

convergiu para a melhor ExAE, sendo este índice mantido estável com a inserção de

até 4 atributos. De forma semelhante à cena 2, visualmente a diferença qualitativa

entre os clusters obtidos com a inserção de até 9 atributos foi muito pequena. Neste

caso, os clusters obtidos foram considerados satisfatórios quando comparados

visualmente com o Phanton, alcançando 50% (0,51) de representatividade.

126

Um comportamento diferenciado foi observado na cena 7 (Figura 5.27), onde

os melhores índices de ExAE foram obtidos com apenas 2 e 3 atributos, a partir dos

quais a inserção gradativa de atributos prejudicou a detecção dos alvos escuros.

Neste caso, seriam necessários pelo menos 2 atributos para atingir uma ExAE

máxima. A performance do clusterizador automático foi considerada satisfatória,

atingindo 77% (0,775) de representatividade em relação ao Phanton.

Para a cena 8 (Figura 5.28), a maior ExAE (0,612), juntamente com a menor

ME, foi obtida com 4 atributos. Da mesma forma que para as cenas 1, 4 e 5, a

utilização de 2 e 3 atributos prejudicou visualmente a performance do clusterizador na

separação dos clusters. Neste caso, a solução que convergiu para a maior ExAE foi

obtida com a utilização de 4 atributos. Os resultados obtidos pela clusterização

automática foram considerados satisfatórios, sendo sua representatividade em relação

ao Phanton maior do que 50%, com ExAE entre 0,56 (56%) e 0,61 (60%).

Na cena 9 (Figura 5.29) o maior índice de ExAE foi obtido com a inserção de 2

atributos, mantendo-se estável com até 3 atributos. Embora a ExAE tenha diminuído

com a inserção gradativa de mais de 3 atributos, visualmente os clusters resultantes

não apresentaram mudanças discrepantes. Neste caso, a padronização do número de

atributos de entrada acima de 2 não alteraria visualmente a representatividade dos

clusters. O desempenho do clusterizador foi considerado não satisfatória, atingindo

exatidão máxima de 28%, menos que 50% em relação ao Phanton.

A melhor convergência do clusterizador para a cena 10 (Figura 5.30) atingiu

ExAE máxima de 0,19 (19%) e foi obtida com a utilização de 4 atributos,

acompanhada da menor ME. Este índice de ExAE manteve-se estabilizado até a

inserção do 7º atributo, diminuindo cerca de 0,02 com a inserção do 8º e do 9º

atributo. Embora a ExAE tenha diminuído, este comportamento não foi significativo em

termos de representatividade em relação ao Phanton, uma vez que, os resultados

foram considerados não satisfatórios, com representatividade menor que 50%, para

todos os testes efetuados, atingindo ExAE máxima de 19% (0,186).

Para a cena 11 (Figura 5.31) a melhor ExAE (0,33) foi obtida com 5 atributos,

mantendo-se estabilizada com a utilização de 6, 8 e 9 atributos. Visualmente, a

utilização de um número menor do que 5 atributos prejudicou a qualidade dos clusters

produzidos. Neste caso, os resultados obtidos pela clusterização automática também

foram considerados não satisfatórios, sendo sua representatividade em relação ao

Phanton menor do que 50%, com máximo percentual de ExAE de 33%.

127

Na maioria das cenas estudadas foi possível convergir para uma melhor

solução com um menor número de atributos, oscilando entre 2 e 4 e com menores

valores para a ME. No conjunto das 9 clusterizações realizadas para cada uma das 11

cenas, os maiores índices de ExAE foram obtidos com: a) apenas 2 atributos em 5

cenas; b) 4 atributos em 3 cenas; c) 5 atributos em 2 cenas, e; d) 9 atributos em 1

cena.

Nos casos em que a máxima ExAE foi obtida com um número maior ou igual a

4 atributos (6 cenas), a utilização de 2 a 3 atributos produziu clusters menos

representativos em 6 das 11 cenas estudadas, sendo identificável tanto nos índices de

ExAE, quanto visualmente. Estes resultados são interessantes porque reforçam que

um número pequeno de atributos pode não ser suficiente para o clusterizador

convergir clusters representativos, assim como um número exagerado de atributos

também pode prejudicar os resultados.

As clusterizações também foram realizadas inserindo, seqüencialmente, um a

um os 35 atributos (desconsiderando o atributo de Mínimo), considerando a ordem de

importância indicada pelo chi-quadrado para cada cena (APÊNDICE V) conforme

etapas indicadas no fluxograma metodológico da Figura 5.18. Este estudo foi

realizado, para verificar se haveria diferença significativa na performance do

clusterizador considerando o total de atributos e não apenas os 9 melhores do ranking.

Os resultados desta comparação são de extrema importância para validar se a

automatização do sistema é factível a partir de um conjunto padrão mínimo de

atributos, a ser utilizado a cada nova imagem SAR adquirida. A Tabela 5.21 apresenta

a síntese dos resultados obtidos para as clusterizações efetuadas com os 9 melhores

atributos do ranking e com os 35 atributos. Foram calculadas para cada cena a ExAE

obtida com a clusterização simultânea dos 9 e dos 35 atributos e a Máxima ExAE

obtida com a inserção gradual dos 9 e dos 35 atributos respeitando, respectivamente,

a ordem de importância indicada na Tabela 5.19 e indicada pelo chi-quadrado

(APÊNDICE V). O número de atributos necessário para retornar a máxima ExAE será

variável de cena para cena.

O teste não paramétrico de Wilcox foi realizado com o objetivo de verificar se

as Exatidões (ExAE) e Máximas Exatidões (MExAE) obtidas nas 4 situações indicadas

na Tabela 5.21 eram estatisticamente diferentes entre si.

128

Tabela 5.21 - Síntese dos resultados obtidos considerando as clusterizações efetuadas com os

9 e 35 atributos.

Na maioria das cenas, os valores de ExAE obtidos considerando a

clusterização simultânea dos 9 atributos foram maiores do que os obtidos para a

clusterização simultânea de 35 atributos. Conforme esperado, o teste de Wilcox

indicou que esta diferença nos valores de ExAE para 9 e 35 atributos foi

estatisticamente significativa, com p valor de 0,028. Este resultado validou a hipótese

de que, a partir de certo número de atributos, a inserção de novas variáveis ao modelo

insere pouca ou nenhuma informação podendo inclusive prejudicar o desempenho do

clusterizador (HUGHES, 1968). Desta forma, a seleção de um conjunto reduzido de

atributos considerados significativos, é melhor do que a utilização de um amplo

conjunto de dados que também inclui atributos não representativos, os quais podem

prejudicar a performance do clusterizador.

Os Máximos valores de exatidão MExAE obtidos considerando a inserção

gradativa dos 9 e dos 35 atributos, apresentaram comportamento semelhante quando

comparados cena a cena. O teste de Wilcox confirmou, com um p valor de 0,068, que

não há diferença estatisticamente significativa entre os valores de Máxima MExAE

obtidos para a melhor combinação dentre os 9 ou dentre os 35 atributos. Esse

resultado é de grande importância por validar a possibilidade de automatização do

sistema a partir de um conjunto reduzido de atributos. A Figura 5.32 disponibiliza a

espacialização das máximas MExAE obtidas considerando o melhor conjunto de

dados para o universo de 9 e de 35 atributos, indicando o número necessário de

atributos para alcançar estes índices.

A espacialização do resultado das clusterizações evidenciou que praticamente

não há diferença em utilizar a melhor combinação de atributos obtida entre os 9 ou

entre os 35 atributos, o que reforçou a possibilidade de automatização.

129

Figura 5.32 - Espacialização dos melhores resultados da clusterização considerando o universo

de 9 e 35 atributos

130

Figura 5.32 - Continuação: Espacialização dos melhores resultados da clusterização

considerando o universo de 9 e 35 atributos

131

Figura 5.32 - Continuação: Espacialização dos melhores resultados da clusterização

considerando o universo de 9 e 35 atributos

Apesar da automatização considerando um número reduzido de

atributos padrão ter sido indicada como factível, a análise global dos resultados

evidenciou que, dentre as 11 cenas estudadas, o clusterizador foi capaz de convergir

um conjunto de clusters considerados satisfatórios, com ExAE maiores ou iguais a 0,5,

em apenas 4 cenas. Estes polígonos poderiam ser utilizados como entrada em um

sistema de classificação, entretanto, os demais prejudicariam a performance do

classificador uma vez que os atributos seriam calculados como base nestas

geometrias.

Do ponto de vista operacional

, a detecção automática de um ou mais alvos

escuros na imagem, mesmo que imprecisa, seria suficiente para acionar uma possível

operação de contingenciamento, mesmo com ExAE inferiores a 0,5. As cenas 3, 9 e

11 enquadram-se nessa interpretação. A Figura 5.33 apresenta a sobreposição dos

alvos escuros delineados como referência nos Phantons em vermelho, com os alvos

escuros detectados automaticamente pelo clusterizador em branco.

Figura 5.33 - Sobreposição dos Phantons com os resultados das clusterizações.

No contexto da tese a expressão “do ponto de vista operacional” remete à experiência que

consolidei durante 6 anos de atuação junto à PETROBRAS na gerência de Controle de

Contingências, tendo sido responsável pela atividade de Monitoramento Aéreo/Orbital.

Óleo

Óleos Biológicos

132

A cena 11 constitui um exemplo interessante do ponto de vista operacional por

mesclar, em um mesmo recorte de cena, óleo e assemelhados. Neste caso, mesmo

que os resultados da classificação fossem duvidosos em função da imprecisão

associada à geometria dos polígonos, uma verificação de campo seria necessária,

pois não haveria garantia de que nenhum dos filetes detectados como alvos escuros

poderia ser óleo.

Os resultados das clusterizações para as cenas 4, 5 e 10, foram muito mais

ruidosos e não poderiam ser considerados satisfatórios. Para todos estes casos, as

manchas de óleo foram identificadas e, operacionalmente, uma investigação sobre os

eventos seria efetuada. Entretanto, como os resultados foram muito confusos, uma

intervenção humana seria indispensável para indicar os polígonos de interesse. A

Figura 5.34 apresenta a sobreposição dos Phantons em vermelho, com os alvos

escuros clusterizados em branco.

Figura 5.34 - Sobreposição dos Phantons com os resultados das clusterizações.

Portanto, mesmo com imprecisão, os alvos escuros detectados poderiam ser

úteis para o acionamento das inspeções de campo. Entretanto, as geometrias não

apresentaram acurácia suficiente em relação ao Phanton para serem utilizadas como

dado de entrada em um sistema de classificação automática. Na pior hipótese, ao final

da classificação, um resultado errôneo poderia ocasionar falhas no processo de

combate a uma possível emergência envolvendo derramamento de óleo no mar.

Também não seria aconselhável armazenar geometrias imprecisas em um Banco de

Dados que tem por objetivo - além de registrar o número e o tipo dos eventos

detectados - fornecer conhecimento pretérito para retroalimentar o sistema automático

de detecção de óleo e assemelhados. O registro cumulativo de geometrias imprecisas

e, conseqüentemente, de atributos imprecisos no Banco de Dados poderia levar à

Óleo

Baixo

Vento

Óleo

Óleos

Biológicos

133

ineficácia do sistema, confundindo o classificador na distinção dos alvos escuros em

óleo ou assemelhados.

Com base nesta análise quantitativa e qualitativa dos resultados da

clusterização, 5 cenas poderiam ser consideradas como satisfatórias sob a ótica do

sistema automático, as cenas 2, 6, 7, 8 e 11, representando 45% dos recortes de

cena. A primeira avaliação seria de que a performance do clusterizador não foi

satisfatória, entretanto, é preciso salientar que, para se chegar a essa conclusão,

seriam necessárias mais amostras, sempre considerando níveis de complexidade

diferenciados. No âmbito da tese desenvolvida, seria impossível trabalhar com mais

exemplos, considerando, a abrangência dos testes efetuados que avaliaram

parâmetros envolvidos em todas as etapas, desde o pré-processamento das imagens.

É importante destacar que, especialmente quando os alvos escuros estavam

associados a óleos biológicos, eventos difíceis de serem representados manualmente

devido ao inúmero conjunto de estruturas filiformes, a imprecisão associada ao

Phanton aumentou. Nestes casos, situações em que o clusterizador não incluiu

exageradamente áreas oceânicas como alvos escuros, uma menor ExAE nos

resultados da clusterização foi considerada satisfatória, como no exemplo da cena 11.

Em contrapartida, exemplos como o da cena 10 não foram aceitos devido à inclusão

exagerada de áreas oceânicas como parte dos alvos escuros.

A Figura 5.35 apresenta a ExAE dos resultados obtidos pelas clusterizações

realizadas para as 5 cenas consideradas satisfatórias, destacando a espacialização: a)

da intersecção dos alvos escuros: áreas detectadas corretamente como alvos escuros

pela clusterização em relação ao Phanton (em branco); b) da Omissão: áreas de alvos

escuro erroneamente clusterizadas como oceano (em vermelho); c) da Inclusão: áreas

de oceano erroneamente clusterizadas como parte dos alvos escuro (em azul) , e; d)

áreas detectadas corretamente como oceano pela clusterização em relação ao

Phanton (em preto).

Considerando que a contribuição relativa de cada atributo foi avaliada através

de inúmeras clusterizações efetuadas no conjunto de 9 e de 35 atributos, os

resultados obtidos representam o melhor desempenho do clusterizador em cada cena.

A dificuldade associada à detecção automática de óleo em imagens SAR é destacada

por inúmeros autores (TOPOUZELIS, 2008; TOPOUZELIS et al., 2007a; CHANG et al.

2008, BREKKE & SOLBERG, 2005), sendo os fatores que influenciam na performance

da detecção automática muito diversos. No âmbito dos experimentos realizados, as

134

observações a seguir buscam fornecer subsídios para enriquecer a interpretação dos

resultados obtidos.

Figura 5.35 – Exatidão, Omissão e Inclusão nos resultados obtidos pelas clusterizações para

as 5 cenas consideradas satisfatórias.

O maior ou menor potencial de detecção associado ao clusterizador esteve

diretamente relacionado ao contraste existente entre os alvos escuros e o oceano.

Entre as cenas escolhidas a intensidade deste contraste foi muito variada, sem um

padrão referente à distribuição dos NC que fosse capaz de garantir que os mesmos

atributos utilizados em cenas diferentes oferecessem um mesmo desempenho ao

clusterizador.

Esta variação do contraste entre alvos escuros e oceano, dificultando o

processo de clusterização, também esteve presente no contexto de uma mesma cena,

sendo influenciada pela variação das condições meteo-oceanográficas na superfície

do mar (cenas: 9, 10 e 11) e pela presença de falhas no imageamento (cena: 4). Os

inúmeros fatores que influenciam esta ampla variação do contraste entre as cenas e

nas cenas, os quais podem ocasionar o cálculo de atributos inexpressivos para o

agrupamento das regiões, estão detalhados no Capitulo 2 sendo os principais: ângulo

de incidência; presença do ruído speckle; parâmetros de largura da faixa, resolução

espacial, freqüência do sinal e polarização associados ao modo de imageamento do(s)

sensor(es); condições meteo-oceanográficas; quantidade e o tipo de óleo vazado;

intervalo de tempo entre o vazamento e o momento da aquisição da imagem; grau de

135

intemperismo das manchas, dentre outros. As características do imageamento SAR

em áreas oceânicas que dificultam a implementação de procedimentos automáticos

encontram-se detalhadas no Capitulo 2 - item 2.2.

Além dos fatores citados, a alteração das propriedades estatísticas ocasionada

pela compactação/descompactação das imagens no formato MrSid (Capitulo 4: item

4.1), também influenciou no desempenho das clusterizações, uma vez que as

propriedades dos atributos calculados diferem dos calculados a partir de imagens

originais. Para avaliar o quanto este formato de fato influenciou positivamente ou

negativamente nos resultados, seria necessário efetuar clusterizações com os

mesmos atributos calculados a partir de imagens no formato original. Entretanto, como

o objetivo da tese estava focado no desenvolvimento de um método passível de ser

implementado operacionalmente, imagens no formato original não foram utilizadas.

De certa forma, o que mais contribuiu para que os resultados da clusterização

não fossem melhores foi o rigor utilizado na escolha dos recortes de cena estudados.

Se as cenas tivessem sido recortadas sempre individualizando um único alvo com um

bom contraste em relação ao oceano (priorizando eventos relacionados a óleo) - como

frequentemente observado na literatura disponível – um maior número de cenas teria

atingido o critério de Exatidão de Alvos Escuros (ExAE) necessário para que a

clusterização fosse considerada satisfatória.

Uma reflexão importante é que a escolha dos exemplos a serem testados para

validar um sistema automático pode tornar-se altamente tendenciosa. A importância

da escolha das cenas teste é tal que, a conclusão de que um sistema proposto é

automático e pode ser utilizado operacionalmente, pautada unicamente em exemplos

de fácil reconhecimento, pode representar uma falácia.

Os recortes de cena consideraram desde exemplos comumente encontrados

na literatura (cenas 2, 3 e 6), onde manchas de óleo com geometria bem definida e

bom contraste em relação ao oceano foram selecionadas, até exemplos de maior

complexidade em que ocorrências de óleo e assemelhados foram processadas

simultaneamente (cenas 5, 10 e 11). Nesta escolha, a habilidade, tanto dos

segmentadores como do clusterizador, em detectar alvos em diferentes escalas e com

diferentes geometrias também foi avaliada. Alvos com geometria complexa associados

a óleos biológicos e florescimento de algas também foram considerados isoladamente

em alguns exemplos (recortes de cenas 1 e 8).

136

Esta dificuldade foi imposta ao clusterizador propositalmente, para que os

resultados pudessem ser replicados e o método utilizado em outras imagens,

justamente por ter sido definido considerando exemplos com nível diferenciado de

dificuldade. Esta seleção buscou refletir ao máximo a realidade encontrada nas

imagens SAR, incluindo até problemas no imageamento que podem ocorrer durante a

aquisição das imagens pelo sensor ou no processamento das imagens, sendo visível a

descontinuidade existente entre as faixas de imageamento na cena 4. Para esta cena,

o clusterizador não conseguiu encontrar uma boa solução uma vez que não havia um

comportamento padrão para os intervalos de NC, capaz de diferenciar os alvos

escuros do oceano ao longo da mesma cena. Exemplo semelhante foi observado na

cena 10, onde filetes de óleos biogênicos ocorreram simultaneamente sobrepostos a

uma área com uma baixa intensidade de vento, reduzindo seu contraste na cena.

O aspecto negativo relacionado à escolha dos recortes de cena, foi que os

resultados atingidos pelo clusterizador não foram satisfatórios para a maioria das

cenas. O aspecto positivo foi o esforço realizado para interpretar os resultados,

entender as propriedades dos atributos utilizados, evidenciando a necessidade da

continuidade das pesquisas considerando estes exemplos que se aproximem da

realidade encontrada nas imagens SAR. A busca de novos métodos de pré-

processamento de imagens, que possam melhorar o contraste entre os alvos escuros

e o oceano aprimorando a qualidade dos atributos calculados e, conseqüentemente, a

performance do clusterizador, é uma linha de investigação interessante, considerando

os inúmeros fatores que prejudicam a detecção dos alvos escuros em imagens SAR.

Para dar continuidade à pesquisa proposta foi preciso avançar para o próximo

passo, verificar a possibilidade de fixar o número de atributos necessários para

automatizar o sistema. Retornando aos resultados da Tabela 5.21, a Média indicou 5

atributos e a Mediana 4 atributos como necessários para se atingir a Máxima Exatidão

MExAE, selecionando-os a partir do conjunto de 9 atributos indicados pela análise

efetuada na Tabela 5.19. Estas indicações reforçaram a seleção de atributos efetuada

pelo método de chi-quadrado, o qual também indicou que, de maneira geral,

considerando os 36 atributos, as maiores importâncias estavam concentradas entre os

4 e 5 primeiros atributos, sendo reduzidas abruptamente nos atributos subseqüentes.

Os gráficos com o ranking da importância obtida para os 36 atributos para cada cena,

durante a etapa de seleção dos atributos, estão disponíveis para consulta no

APÊNDICE V.

137

A fim de subsidiar a decisão sobre a utilização de 4 ou 5 atributos, o teste não

paramétrico de Wilcox foi efetuado para verificar se a diferença entre os índices de

ExAE obtidos para as 11 cenas com 4 e 5 atributos (Tabela 5.22) são estatisticamente

significativas.

Tabela 5.22 – Índices de ExAE obtidos para as 11 cenas com 4 e 5 atributos.

Com um p-valor de 0,68, o teste evidenciou que não há diferença

estatisticamente significativa entre as ExAE obtidas com 4 ou 5 atributos, indicando

que a escolha entre 4 ou 5 atributos não faria diferença na implementação automática

de um sistema para detecção de alvos escuros em imagens SAR.

Apesar dos clusters obtidos considerando 4 ou 5 atributos serem visualmente

semelhantes para a maioria das cenas (Figuras 5.21 a 5.30), na cena 11 (Figura 5.31)

a utilização do 5º atributo melhorou significativamente o resultado da clusterização.

Como não foram obtidos dados conclusivos, decidiu-se manter os 5 atributos para

compor o método de detecção de alvos escuros em imagens SAR, considerando que

para a cena 11 o 5º atributo foi essencial para o bom desempenho do clusterizador.

Excluindo o atributo de Mínimo, o 5º atributo corresponde a uma métrica de textura, o

GLCM da Média. Este atributo foi selecionado entre os 5 primeiros em 8 cenas e entre

os 6 primeiros em 3 cenas (Capitulo 5: item 5.4.2.4). A Figura 5.36 destaca as

diferenças encontradas entre os clusters utilizando 4 e 5 atributos para a cena 11.

Figura 5.36 - Diferenças encontradas entre os clusters utilizando 4 e 5 atributos para a cena 11.

Ter considerado a contribuição relativa de cada atributo selecionado para

detectar os diferentes tipos de alvos foi muito importante, pois forneceu subsídios para

entender quais são as propriedades dominantes nas imagens e na geometria das

138

regiões que retornam os melhores contrastes nas cenas. Entretanto, para investigar a

possibilidade de automatização do sistema, foi necessário utilizar os atributos mais

recorrentes na seleção, sendo estes considerados os mais estáveis para serem

utilizados como padrão. Neste contexto, os atributos estatísticos de primeira ordem

Mediana, Média, Moda e Máximo, juntamente com o atributo Textural GLCM da Média,

mostraram-se mais robustos por terem sido selecionados de forma recorrente em

todas as cenas estudadas e validados com os resultados das clusterizações.

Importante destacar que apesar de existir multicolinearidade entre estes

atributos (Item 5.4.2.4; APÊNDICE III), a sua utilização simultânea no FP foi o que

gerou os melhores resultados para as clusterizações, validando esta seleção.

Exemplos como o das cenas 4, 5, 8 e 11 evidenciaram que utilizando somente a

Mediana e a Média os resultados não ficaram bons, ao inserir a Moda os clusters

melhoraram significativamente (cenas 4, 5 e 8) e ao inserir o atributo de Máximo e

GLCM da Média os clusters também melhoraram para a cena 11.

Com o objetivo de verificar se a seleção efetuada pelo chi-quadrado foi

adequada, testes de seleção foram efetuados com mais 2 métodos implementados no

software Weka, utilizando o método de avaliação por subconjuntos e dois métodos de

busca, algoritmos genéticos (AG) e Greedy Stepwise

(GSTW). A busca efetuada

pelo AG retornou 12 atributos sendo que todos os atributos estatísticos de primeira

ordem multicorrelacionadas foram inclusos (Média, Mediana, Moda, Mínimo e Máximo)

e a clusterização efetuada teve um bom resultado. A busca efetuada pelo GSTW

retornou 6 atributos decorrelacionados, incluindo somente a Moda, a clusterização

efetuada teve um resultado não satisfatório. Importante destacar que estes testes

foram efetuados com a cena considerada mais fácil (cena 2), indicando que a exclusão

dos atributos estatísticos de primeira ordem prejudica o reconhecimento de padrões.

A validação do método proposto e do conjunto de atributos selecionado foi

realizada nos próximos dois itens nos quais os resultados obtidos automaticamente

pelo FP no software Clustan foram comparados: a) com os resultados obtidos por

métodos semi-automáticos aplicados às 11 cenas utilizadas ao longo da tese (item

5.4.4), e; b) com os resultados obtidos para os três novos recortes de cena escolhidos

para validar o método proposto, utilizando os parâmetros definidos em cada uma das

etapas da tese (item 5.5).

Greedy Stepwise: combina a abordagem forward e backward durante a regressão.

139

5.4.4 – Comparação entre os Métodos Automático e Semi-automático

As classificações supervisionadas foram efetuadas com os algoritmos de

Máxima Verossimilhança (Maxver) e Máquina de Suporte Vetorial (Suporte Vector

Machine - SVM) para as 11 cenas, considerando os 5 melhores atributos. Os

resultados provenientes da utilização de limiarização, processados para cada cena no

Capitulo 5: item 5.3, também foram utilizados com o objetivo de proporcionar uma

maior comparação do método automático com diferentes métodos supervisionados.

A limiarização foi realizada com uma maior intervenção humana em relação

aos demais métodos supervisionados. A segmentação por crescimento de regiões foi

realizada automaticamente, entretanto, a definição do limiar ideal para o agrupamento

dos alvos escuros foi definido interativamente avaliando, através de interpretação

visual, qual foi o melhor valor de corte que retornou clusters mais próximos aos

indicados nos Phantons. Para os métodos Maxver e SVM, a intervenção humana

ocorreu na seleção das amostras.

Para realizar as classificações com os algoritmos Maxver e SVM, um arquivo

de imagem contendo 5 bandas foi gerado no software ENVI, onde cada banda

correspondia a espacialização de 1 dos 5 atributos padronizados nas regiões

resultantes das segmentações (Mediana, Média, Moda, Máximo e GLCM da Média).

Amostras de treinamento a serem utilizadas pelos classificadores testados foram

selecionadas para representar o comportamento estatístico dos alvos escuros e do

oceano. Como o objetivo deste item não era realizar uma análise aprofundada sobre

os métodos supervisionados para detecção de alvos escuros, mas apenas fornecer

exemplos para comparação com o método não supervisionado, não foram

investigados os melhores parâmetros a serem utilizados em cada algoritmo. O Maxver

e o SVM foram processados considerando as mesmas amostras de treinamento e os

mesmos parâmetros de entrada no software ENVI.

O Maxver foi escolhido por ser considerado um dos métodos mais comumente

utilizados em classificação supervisionada. Apesar deste classificador ser utilizado

para processamentos no nível do pixel, nos experimentos efetuados o algoritmo

considerou como unidade de processamento as regiões produzidas pelas

segmentações. O Maxver considera como referência os parâmetros estatísticos das

amostras de treinamento, fornece uma probabilidade de cada região pertencer a um

alvo escuro ou ao oceano e pondera as distâncias entre as médias dos atributos nas

regiões (ENVI). O único parâmetro exigido pelo software para o processamento é

140

denominado fator de escala, sendo definido em função da resolução radiométrica da

imagem. Como os dados utilizados estavam em 8 bits e o fator de escala é definido

como 2

-1, onde n representa o intervalo de NC correspondente aos bits da imagem, o

fator de escala utilizado foi 255.

A classificação com SVM foi escolhida por ser um procedimento considerado

eficiente para prover bons resultados a partir de dados complexos e ruidosos, como é

caso das imagens SAR (ENVI). Pesquisas realizadas por BENTZ (2006) indicaram o

SVM como método de classificação automática eficaz para a separação de óleo e

assemelhados. MERCIER & ARDHUIN (2005 a e b) também utilizaram SVM para a

detecção de óleo e assemelhados. A classificação por SVM está fundamentada na

teoria de aprendizagem estatística (VAPNICK, 1998), buscando otimizar a separação

do conjunto de dados em classes distintas a partir de uma superfície de decisão que

maximiza a distância existente entre as classes. Esta superfície é denominada

hiperplano e os dados próximos ao hiperplano são denominados vetores de suporte.

Mesmo que esta superfície apresente um comportamento não linear, os dados de

entrada são transformados, utilizando uma série de funções matemáticas (funções de

núcleo) para obter um novo conjunto de dados que possa ser linearmente separável

(BURGHES, 1998).

Os parâmetros a serem definidos no software para o SVM são: a) o tipo da

função Kernel: definida como a função de núcleo radial (RBF), indicada por geralmente

apresentar bons resultados e por ter oferecido a melhor performance para a separação

de óleo e assemelhados nos estudos realizados por BENTZ (2006); b) o critério de

penalização, que aceita níveis de imprecisão associados à classificação definidos com

o maior rigor como 100, não aceitando níveis de imprecisão, e; c) o parâmetro Gamma

a ser utilizado na função Kernel, definido como 0,2 por corresponder ao inverso no

número de bandas utilizadas (1/5). A Figura 5.37 disponibiliza os resultados das

classificações automáticas e semi-automáticas realizadas para cada recorte de cena.

141

Figura 5.37 – Resultados obtidos pela utilização de técnicas automáticas e semi-automáticas

na detecção de alvos escuros em imagens SAR.

142

Figura 5.37 – Continuação: Resultados obtidos pela utilização de técnicas automáticas e semi-

automáticas na detecção de alvos escuros em imagens SAR.

143

Figura 5.37 – Continuação: Resultados obtidos pela utilização de técnicas automáticas e semi-

automáticas na detecção de alvos escuros em imagens SAR.

A interpretação visual dos resultados indicou que, de maneira geral, os

métodos semi-automáticos conseguiram retornar clusters mais representativos e,

conseqüentemente, geometrias mais precisas para os alvos escuros, delineando com

maior acurácia os limites que os separam do oceano. Este resultado era esperado à

medida que estes métodos contam com o auxílio das amostras de treinamento no

processo de reconhecimento de padrões.

Entretanto, é visualmente notável a boa performance automática do Clustan e

dos atributos utilizados na identificação dos alvos escuros existentes nas cenas 2 e 6,

sendo equivalente aos métodos supervisionados. Mesmo considerando uma menor

precisão nas bordas, nas cenas 8 e 11 a performance automática também pôde ser

considerada equivalente à dos métodos supervisionados, à medida que todos os

métodos erraram incluindo ou omitindo regiões. Nas cenas 3 e 9 os semi-automáticos

forneceram melhor resultado, entretanto, desconsiderando a confusão do clusterizador

automático no canto dos recortes, os alvos escuros também foram detectados.

Para as cenas 4, 5 e 10 o método automático teve uma performance

visualmente inferior aos semi-automáticos, detectou as manchas de óleo, mas

apresentou ruído na região oceânica e nas bordas dos assemelhados. Na cena 1,

todos os métodos apresentaram menor ruído no oceano, mas os alvos escuros foram

detectados melhor pelos supervisionados Limiarização e Maxver.

A fim de subsidiar a interpretação dos resultados obtidos com dados

quantitativos a Tabela 5.23 disponibiliza as métricas de avaliação calculadas para

cada método utilizado e a Figura 5.38 apresenta a espacialização destas métricas.

Com exceção das cenas 2 e 6, contendo alvos escuros considerados fáceis de

serem separados do oceano, todos os métodos - automático e supervisionados -

144

apresentaram erros de inclusão ou de omissão em maior ou menor escala. Estes erros

foram perceptíveis visualmente nos recortes de cena em que foram considerados

alvos muito filamentosos como os óleos biológicos (recortes 1, 10 e 11). Conforme

comentado anteriormente para esse tipo de alvo a própria confecção manual dos

Phantons possui uma maior imprecisão associada. Nestes casos, considerados

complexos de serem solucionados pelos clusterizadores, observa-se que os diferentes

métodos erraram incluindo ou omitindo regiões.

Tabela 5.23 - Métricas de avaliação calculadas para os resultados das clusterizações efetuadas

pelos métodos automático e semi-automático

145

Figura 5.38 – Resultados obtidos pela utilização de técnicas automáticas e semi-automáticas

na detecção de alvos escuros em imagens SAR.

146

Figura 5.38 – Continuação: Resultados obtidos pela utilização de técnicas automáticas e semi-

automáticas na detecção de alvos escuros em imagens SAR.

147

Figura 5.38 – Continuação: Resultados obtidos pela utilização de técnicas automáticas e semi-

automáticas na detecção de alvos escuros em imagens SAR.

No caso do recorte de cena 1, apesar das melhores performances terem sido

obtidas pelos métodos de Limiarização e Maxver, estes foram os que mais omitiram

filamentos associados aos alvos escuros. O Clustan e o SVM erraram no sentido

contrário, incluindo áreas de oceano como parte dos alvos escuros. De maneira geral,

considerando a complexidade geométrica deste alvo o Maxver foi, visualmente

(Figuras 5.37 e 5.38), o método que melhor conseguiu representar a estrutura

filamentar.

No recorte de cena 10, as melhores ExAE foram obtidas pelos métodos de

Limiarização e SVM. Os supervisionados omitiram mais áreas em relação ao Phanton,

entretanto, o Clustan incluiu exageradamente regiões oceânicas como parte dos óleos

biológicos. A presença de uma superfície menos rugosa, influenciada por uma baixa

intensidade de vento ocorrendo simultaneamente no mesmo local dos óleos

biológicos, prejudicou a definição dos clusters. Visualmente (Figuras 5.37 e 5.38) os

melhores métodos foram a Limiarização e o SVM, com resultados similares.

De forma diferente das demais, a cena 11 pôde ser considerada bem

clusterizada pelos 4 métodos avaliados (Figuras 5.37 e 5.38). O Clustan retornou a

menor ExAE, por ter cometido mais erros de inclusão. Entretanto, todos os métodos

cometeram erros em função da estrutura filamentar de baixo contraste em relação ao

oceano, sendo que os supervisionados erraram mais omitindo regiões. A Figura 5.39

ilustra detalhes das cenas 1, 10 e 11, ampliando os trechos onde a densa malha de

filamentos provenientes dos óleos biogênicos dificultou os processamentos. Os

gráficos disponíveis na Figura 5.40 também auxiliam na interpretação quantitativa dos

resultados.

148

Figura 5.39 – Ampliação da malha de filamentos provenientes de óleos biogênicos existentes

nas cenas 1, 10 e 11.

Erros exagerados de inclusão pelo software Clustan também foram observados

nas cenas 4 e 5. A tendência obtida para a ExAE foi semelhante nas 2 cenas

conforme indicado nos gráficos da Figura 5.40, sendo a Limiarizacão e o SVM os

métodos que retornaram os melhores índices. Na cena 4 a descontinuidade na

variação dos NC entre as faixas imageamento do RADAR prejudicou a separação

automática das manchas de óleo do oceano. A utilização de amostras de treinamento

possibilitou que os métodos supervisionados alcançassem melhor desempenho em

relação ao Clustan. A Figura 5.41 disponibiliza detalhes da cena, ampliando os

resultados das clusterizações na localização dos alvos escuros.

Figura 5.40 – Gráfico com os Erros de Omissão, de Inclusão e as ExAE obtidas para os

métodos automático e semi-automáticos em cada recorte de cena.

CENA 1

0,02

0,03

0,21

0,34

0,08

0,17

0,29

0,33

0,51

0,60

0,38

0,61

0,00

0,20

0,40

0,60

0,80

1,00

Clustan Limiarização MaxVer SVM

0,00

0,20

0,40

0,60

0,80

1,00

Omissão Inlcusão Gforma

CENA 2

0,01

0,12

0,19

0,12

0,00

0,07

0,00

0,80

0,51

0,80

0,75

0,00

0,20

0,40

0,60

0,80

1,00

Clustan Limiarização MaxVer SVM

0,00

0,20

0,40

0,60

0,80

1,00

Omissão Inlcusão Gforma

CENA 3

0,00

0,48

0,51

0,46

0,00

0,04

0,94

0,52

0,47

0,31

0,50

0,00

0,20

0,40

0,60

0,80

1,00

Clustan Limiarização MaxVer SVM

0,00

0,20

0,40

0,60

0,80

1,00

Omissão Inlcusão Gforma

CENA 4

0,05

0,24

0,29

0,41

0,27

0,22

0,15

0,05

0,51

0,17

0,38

0,40

0,00

0,20

0,40

0,60

0,80

1,00

Clustan Limiarização MaxVer SVM

0,00

0,20

0,40

0,60

0,80

1,00

Omissão Inlcusão Gforma

149

Figura 5.40 – Gráfico com os Erros de Omissão, de Inclusão e as ExAE obtidas para os

métodos automático e semi-automáticos em cada recorte de cena.

CENA 5

0,00

0,19

0,24

0,51

0,20

0,03

0,24

0,44

0,63

0,47

0,25

0,61

0,00

0,20

0,40

0,60

0,80

1,00

Clustan Limiarização MaxVer SVM

0,00

0,20

0,40

0,60

0,80

1,00

Omissão Inlcusão Gforma

CENA 6

0,01

0,39

0,72

0,39

0,01

0,02

0,00

0,27

0,31

0,44

0,54

0,00

0,20

0,40

0,60

0,80

1,00

Clustan Limiarização MaxVer SVM

0,00

0,20

0,40

0,60

0,80

1,00

Omissão Inlcusão Gforma

CENA 7

0,05

0,02

0,10

0,16

0,08

0,05

0,16

0,85

0,80

0,44

0,86

0,00

0,20

0,40

0,60

0,80

1,00

Clustan Limiarização MaxVer SVM

0,00

0,20

0,40

0,60

0,80

1,00

Omissão Inlcusão Gforma

CENA 8

0,01

0,02

0,05

0,30

0,21

0,02

0,29

0,19

0,74

0,68

0,56

0,73

0,00

0,20

0,40

0,60

0,80

1,00

Clustan Limiarização MaxVer SVM

0,00

0,20

0,40

0,60

0,80

1,00

Omissão Inlcusão Gforma

CENA 9

0,02

0,14

0,24

0,26

0,20

0,09

0,10

0,01

0,67

0,25

0,52

0,76

0,00

0,20

0,40

0,60

0,80

1,00

Clustan Limiarização MaxVer SVM

0,00

0,20

0,40

0,60

0,80

1,00

Omissão Inlcusão Gforma

CENA 10

0,06

0,03

0,29

0,28

0,29

0,03

0,23

0,58

0,57

0,46

0,18

0,57

0,00

0,20

0,40

0,60

0,80

1,00

Clustan Limiarização MaxVer SVM

0,00

0,20

0,40

0,60

0,80

1,00

Omissão Inlcusão Gforma

CENA 11

0,05

0,46

0,38

0,60

0,10

0,53

0,23

0,03

0,32

0,34

0,38

0,00

0,20

0,40

0,60

0,80

1,00

Clustan Limiarização MaxVer SVM

0,00

0,20

0,40

0,60

0,80

1,00

Omissão Inlcusão Gforma

VALORES MÉDIOS

0,03

0,13

0,32

0,24

0,04

0,16

0,32

0,61

0,52

0,36

0,58

0,00

0,20

0,40

0,60

0,80

1,00

Clustan Limiarização MaxVer SVM

0,00

0,20

0,40

0,60

0,80

1,00

Omissão Inlcusão Gforma

150

Figura 5.41 – Detalhes da cena 4, ampliando os resultados das clusterizações para os alvos

escuros.

Na cena 5 foi perceptível a maior confusão e ruído nos resultados do Clustan

para os alvos escuros relacionados a baixas intensidades de vento localizadas em

pontos extremos do recorte de cena. A Figura 5.42 ilustra a clusterização destes alvos

em detalhes para os 4 métodos avaliados, evidenciando que a geometria resultante

varia muito entre eles. Esta diversidade de resultados reforça a dificuldade imposta

aos clusterizadores por eventos de baixas intensidades de vento, os quais possuem

bordas freqüentemente sem limites bem definidos em relação ao oceano.

As Figuras 5.43 e 5.44 ilustram detalhes da performance dos diferentes

métodos para a detecção manchas de eventos de óleo com tamanho e contraste

variados na cena 5. Foi perceptível que todos os métodos testados tiveram dificuldade

na detecção das manchas menores com contraste menos intenso em relação ao

oceano, errando incluindo (Clustan) ou excluindo regiões parcial ou completamente

(Limiarização, Maxver e SVM).

Figura 5.42 – Detalhes da cena 5, ampliando os resultados das clusterizações para os alvos

escuros relacionados a baixas intensidades de vento.

Detalhe I

Detalhe II

Detalhe I

Detalhe II

151

Figura 5.43 – Detalhes da cena 5, ampliando os resultados das clusterizações para os alvos

escuros relacionados a óleo.

Figura 5.44 – Detalhes da cena 5, ampliando os resultados das clusterizações para os alvos

escuros relacionados a óleo.

Considerando que a ExAE diminui com o aumento dos erros de inclusão e/ou

de omissão, em 8 das 11 cenas estudadas, o Clustan teve um comportamento inverso

do observado para os métodos supervisionados, cometendo mais erros de inclusão do

que de omissão, conforme evidenciado no gráfico da Figura 5.40 (valores médios). Um

exemplo interessante é o do recorte de cena 8, em que as melhores ExAE foram

obtidas de forma semelhante para o Clustan e para o SVM, entretanto, os tipos de

erros cometidos foram opostos.

Como, no contexto das imagens SAR, todo alvo escuro tem uma probabilidade

de estar associado a óleo (KARATHANASSI et al., 2006), sendo preferível errar

aumentando as áreas estimadas como suspeita de óleo do que omitir um possível foco

de vazamento que pode tornar-se uma emergência ambiental. Entretanto, embora

estas geometrias imprecisas contribuam para o acionamento das inspeções de campo,

no sistema automático prejudicariam a classificação. Num estágio posterior, uma

auditoria no Banco de Dados seria necessária para indicar as geometrias que

Detalhe I

Detalhe II

Detalhe I

Detalhe II

152

precisariam ser refeitas a fim de evitar uma propagação de erros capaz de prejudicar a

performance automática de sistemas baseados em conhecimento.

A média dos resultados (Figura 5.40) evidenciou que a melhor performance foi

obtida pelo SVM seguida da Limiarização. A Limiarização foi comparada apenas para

evidenciar como uma intervenção humana pode melhorar a qualidade dos resultados.

Não seria viável automatizar este processo, pois os limiares foram definidos

arbitrariamente, de forma interativa para cada cena, sendo impossível replicar

operacionalmente a mesma eficácia dos resultados com novas aquisições. A técnica

de Limiarização é freqüentemente utilizada na literatura (Capitulo 3), mas com uma

abordagem automática, onde os limiares podem ser calculados de forma Global ou

Local (Adaptativamente). Entretanto, inúmeros autores (KARANTZALOS &

ARGIALAS, 2008; CHANG et al., 2008; TOPOUZELIS et al., 2007a; KARATHANASSI

et al., 2006; SOLBER & SOLBERG, 1996) destacam a fragilidade destes métodos

para agrupar pixels ou regiões (Capitulo: 3). A Figura 5.45 compara a performance do

agrupamento realizado pelo Clustan, considerando as regiões da segmentação, e pelo

K-means tradicional aplicado diretamente sobre os pixels, enfatizando o ganho

associado aos processamentos efetuados a partir de regiões ao invés de pixels.

Figura 5.45 - Comparação entre o agrupamento realizado: a) pelo Clustan, considerando as

regiões da segmentação, e; b) pelo K-means tradicional aplicado diretamente sobre os pixels.

153

Embora os resultados obtidos com a clusterização automática não tenham sido

100% eficazes, não seria justo afirmar que o procedimento não é passível de

automatização. Uma breve comparação com os diferentes métodos e respectivos

resultados disponíveis na literatura é interessante, buscando evidências do que os

diversos autores consideraram como um bom resultado e um procedimento

automático. Neste contexto, a Figura 5.46 disponibiliza as imagens originais e os

resultados obtidos para a detecção de alvos escuros a partir de métodos considerados

automáticos pelos referidos autores, comparando-os aos resultados obtidos na tese.

Na figura, para cada autor foram identificados: a) se o mesmo trabalhou no nível do

pixel ou das regiões; b) qual o tipo de segmentação ou classificação utilizada para

separar os alvos escuros do oceano, e; c) se algum tipo de pós-processamento foi

utilizado para agrupar os polígonos.

Figura 5.46 – Comparação entre resultados obtidos por diferentes métodos automáticos de

detecção de alvos escuros disponíveis na literatura e os obtidos na pesquisa desenvolvida.

Óleo

Assemelhados

Óleo

154

De acordo com os exemplos selecionados, os resultados obtidos por MERCIER

& ARDHUIN (2005a) e TOPOUZELIS et al. (2007a) reforçaram as vantagens de se

trabalhar com regiões ao invés de pixels. Apesar dos alvos escuros terem sido

detectados o resultado é mais ruidoso na região oceânica (background), conforme

indicado nas imagens. De forma contrária, os resultados produzidos nos estudos

desenvolvidos na tese, por CHANG et al. (2005) e por KARATHANASSI et al. (2006),

evidenciaram que o ruído, referente à indicação de áreas oceânicas como alvos

escuros, é bem menor se os processamentos forem efetuados a partir de regiões e

não de pixels. Outros autores como TOPOUZELIS et al. (2009), KERAMITSOGLOU et

al. (2006) GALLAND et al. (2003 e 2004) também abordaram as vantagens de se

trabalhar com pixels ao invés de regiões para a detecção de alvos escuros.

A maioria dos trabalhos que declararam suas metodologias como plenamente

automáticas mostraram resultados considerando recortes de cena com alvos

individuais isolados e geralmente com bom contraste em relação ao entorno, conforme

exemplificado na Figura 5.46. A utilização de recortes de cena contendo mais de um

alvo escuro em diferentes escalas é escassa na literatura, e de recortes de cena com

ocorrências simultâneas de óleo e assemelhados mais escassos ainda. Isto é um

ponto essencial a ser tratado, considerando que um sistema plenamente automático

precisaria funcionar sem a intervenção humana, processando cenas inteiras lidando,

não apenas com a diversidade e a escalabilidade dos alvos escuros, mas também

com as variações dos NC que podem ocorrer em uma mesma cena.

Esta preocupação é recorrente na literatura onde, apesar de diversos autores

(CHANG et al., 2005 e 2008; TOPOUZELIS et al., 2007a e 2004; KARATHANASSI et

al., 2006; MERCIER & ARDHUIN, 2005a e b) terem considerado seus métodos

automáticos, indicaram a necessidade de efetuar mais testes com diferentes imagens,

contendo diferentes tipos de alvos escuros com geometrias e texturas diferenciadas

em diferentes condições meteo-oceanográficas. TOPOUZELIS et al. (2007a) ainda

destacaram como perspectiva futura a necessidade de processar simultaneamente

óleo e assemelhados em um mesmo recorte de cena.

Observando os exemplos disponíveis na Figura 5.46, considerados

automáticos pelos respectivos autores, o método proposto na tese também poderia ser

considerado automático. Entretanto, conforme comentado no item 5.4.3, esta

conclusão é muito subjetiva e dependente dos tipos de alvos e da complexidade dos

recortes de cena utilizados nos experimentos. A Figura 5.47 disponibiliza exemplos de

metodologias que utilizaram recortes de cena, com alvos escuros considerados difíceis

155

de serem detectados automaticamente. Na figura, para cada autor foram identificados:

a) se o mesmo trabalhou no nível do pixel ou das regiões; b) qual o tipo de

segmentação ou classificação utilizada para separar os alvos escuros do oceano, e; c)

se algum tipo de pós-processamento foi utilizado para agrupar os polígonos.

Figura 5.47 – Comparação entre resultados obtidos por diferentes métodos automáticos de

detecção de alvos escuros disponíveis na literatura e os obtidos na pesquisa desenvolvida.

Os métodos propostos por KARATHANASSI et al. (2006) e por GASULL et al.

(2002) detectaram alvos de geometria complexa difíceis de serem separados do

oceano. Diferente dos demais autores KARATHANASSI analisou em uma mesma

cena óleo e assemelhado, conseguindo um bom resultado na separação das regiões

Óleos

Biológicos

Óleos

Biológicos

Óleo

Óleos

Biológicos

Baixa Intensidade

de Vento

Óleo

Óleos

Biológicos

Óleo

Floresc.

de Algas

156

com baixa intensidade de vento e com óleo do oceano. KARATHANASSI considerou

seu método automático, mas ainda não operacional em função do custo

computacional requerido, cerca de 2h. Uma fragilidade associada aos métodos

propostos por KARATHANASSI e por GASULL é a utilização de limiarização para

agrupar as regiões resultantes da segmentação em alvos escuros e oceano. Conforme

comentado anteriormente, a limiarização automática pode não retornar bons

resultados para todas as imagens, por ser sensível a variações nas condições meteo-

oceanográficas predominantes na superfície do mar no momento da aquisição das

imagens. De certa forma, todos os métodos sofrerão com a variabilidade dos

intervalos de NC associados aos alvos escuros de cena para cena, por ser uma

característica inerente aos dados SAR.

Os resultados obtidos automaticamente pelo Clustan nas cenas 8 e 11,

contendo alvos igualmente difíceis de serem separados do oceano, também foram

considerados satisfatórios. Na cena 11 foram detectados alvos escuros derivados da

presença de assemelhados e de óleo. Considerando estes resultados o método

proposto poderia ser considerado automático. Entretanto, conforme comentado

anteriormente, os resultados obtidos pelo Clustan não foram aceitáveis para todas as

complexidades de cenas e de tipos de alvos selecionados. Nestas circunstâncias,

considerar que o método é automático e poderia ser reutilizado em qualquer nova

imagem SAR, garantindo a mesma eficácia no reconhecimento de padrões associados

a alvos escuros e oceano, não seria aceitável.

Especialmente nesta etapa da cadeia de processamentos, considerada a mais

importante por definir a geometria dos alvos escuros que será utilizada em todas as

etapas posteriores, tanto para o cálculo de atributos quanto para a classificação destes

alvos em óleo e assemelhados, a acurácia é um fator a ser considerado. Uma

alternativa seria criar um sistema híbrido onde a etapa de detecção dos alvos escuros

seria feita com a intervenção humana, de forma supervisionada, para gerar geometrias

mais precisas para a etapa de classificação automática. Este sistema poderia utilizar

para a detecção de alvos escuros um classificador semi-automático como o SVM, a

qual apresentou potencial nos testes efetuados.

ANGIULI et al. (2006), MONTALI et al (2006) e PELIZZARI & DIAS (2003)

utilizaram métodos supervisionados para a detecção de alvos escuros em imagens

SAR. Nestes sistemas a intervenção humana pode ocorrer em várias etapas do

processo: a) indicando para o sistema quais são as áreas de interesse; b) definindo o

limiar para separação dos alvos escuros do oceano interativamente, caso o cálculo

157

automático não tenha retornado resultados satisfatórios, e/ou; c) selecionando

amostras de treinamento para a etapa de classificação em óleo e assemelhados.

Outra opção seria mesclar, já na etapa de detecção de alvos escuros,

procedimentos automáticos e semi-automáticos, com o objetivo de aproveitar a

performance automática do método proposto nas situações em que os resultados

foram favoráveis. A sugestão seria criar uma regra de decisão a ser confrontada a

cada nova imagem, onde seriam indicadas as cenas a serem processadas

automaticamente e as cenas que necessitariam de supervisão. O item 5.5 buscou

verificar a possibilidade de se utilizar uma regra de decisão válida para indicar o

processamento automático ou semi-automático.

5.5 – Regra de Decisão e Validação do Modelo Proposto

Conforme evidenciado nos exemplos discutidos anteriormente, apesar da

diversidade das pesquisas desenvolvidas e dos inúmeros métodos e algoritmos

utilizados para a detecção de alvos escuros e classificação de óleo e assemelhados

em imagens SAR (Capitulo 3 e APÊNDICE I), ainda não há um consenso sobre a

utilização operacional de métodos plenamente automáticos. A proposta de elaboração

de um sistema híbrido inteligente capaz de indicar, através de regras de decisão

previamente estabelecidas, as imagens aptas para o processamento automático, seria

uma alternativa interessante.

O método de Árvores de Classificação e Regressão - ACR (Classification and

Regression Trees - CART), disponível no módulo Data Mining do Software Statistica,

foi utilizado com o objetivo de estabelecer regras simples e compactas, capazes de

indicar a aptidão das imagens para o processamento automático, considerando duas

categorias: satisfatórias (S) e não satisfatórias (NS). As árvores são formadas a partir

de uma coleção de regras estimadas com base no conjunto de variáveis preditoras.

Estas regras são selecionadas com o objetivo de encontrar o número de partições e

de valores para as variáveis preditoras, que melhor representem as classes indicadas

pela variável dependente. O termo Árvores de Classificação é utilizado quando a

variável dependente é categórica, sendo as Árvores de Regressão associadas à

utilização de variáveis dependentes numéricas. O método utilizado é denominado

Árvore de Classificação e Regressão por identificar automaticamente se as variáveis

são categóricas ou numéricas, sendo capaz de efetuar os dois tipos de processamento

(BREIMAN et al., 1984).

158

As árvores são o resultado de partições recursivas onde: a) cada nó

corresponde a uma das variáveis preditoras do conjunto de entrada; b) as ramificações

estabelecem o critério de partição, considerando intervalos numéricos estabelecidos

para os atributos de cada nó, e; c) as folhas contêm o número de indivíduos

selecionados pela regra indicada, associados às classes estabelecidas pela variável

dependente. Desta forma, as ACR constituem um conjunto de regras estabelecidas

que se propagam da raiz em direção aos nós e folhas.

No modelo proposto, a variável dependente Y é categórica e está associada à

performance do clusterizador, indicando se a mesma foi satisfatória (S) ou não (NS).

O vetor X é composto pelo conjunto de 5 atributos de entrada utilizados como

preditores, sendo X = {x

, ... , x

}. Para buscar as regras de decisão através da ACR, 5

novos atributos foram calculados, considerando a distância entre os clusters formados.

Estes atributos são resultantes da diferença entre as médias dos clusters referentes ao

oceano e aos alvos escuros para cada atributo, sendo estes: a) x

= µ

Mediana Oceano

Mediana Alvos Escuros

; b) x

= µ

Média Oceano

- µ

Média Alvos Escuros

; c) x

= µ

Moda Oceano

- µ

Moda Alvos

Escuros

; d) x

= µ

Máximo Oceano

- µ

Máximo Alvos Escuros

, e; e) x

= µ

GLCM Média Oceano

- µ

GLCM Média Alvos

Escuros

. Os valores médios para cada atributo em cada cluster são calculados

automaticamente pelo software Clustan ao final de cada clusterização. A Tabela 5.24

contém os atributos preditores, juntamente com a variável dependente que se refere a

performance do clusterizador em cada recorte de cena.

Tabela 5.24 – Variável dependente e atributos preditores utilizados na ACR para as 11 cenas.

Os 11 recortes de cena estudados ao longo da tese foram utilizados na ACR

para definir as regras. Com o objetivo de validar não apenas as regras formuladas pela

ACR, mas todos os parâmetros padronizados ao longo da tese, 3 novas imagens

foram escolhidas. A Figura 5.48 disponibiliza a metodologia utilizada para a criação e

validação da regra de decisão para definir o processamento como automático ou semi-

automático.

159

Figura 5.48 – Método para criação e validação da regra de decisão para definir o

processamento como automático ou semi-automático.

A ACR retornou uma regra simples e compacta, considerando a diferença para

a Moda como atributo de partição inicial associado ao nó raiz. A partir do nó raiz uma

estrutura com 2 partições, resultando em 4 folhas e 3 nós terminais foi obtida. Na folha

raiz o tamanho do nó é igual ao número de componentes de entrada, sendo igual ao

número de cenas (11). A primeira regra de partição, baseada no atributo de Moda,

associou 6 componentes ao ramo esquerdo e 5 ao ramo direito, sendo classificados

respectivamente como NS e S. A segunda regra de partição, baseada no atributo de

Máximo, subdividiu os 5 componentes restantes em NS (1) e S (4).

A ACR retornou um conjunto de regras simples e compactas que refletiu os

resultados obtidos pelas clusterizações, indicando que apenas 4 cenas foram

satisfatórias. A Figura 5.49 disponibiliza um fluxograma de decisão com as regras

obtidas pela ACR a serem aplicadas às novas imagens com objetivo de indicar a

aptidão das mesmas ao processamento automático ou semi-automático.

160

Figura 5.49 – Regra de decisão obtida pela ACR para definir o processamento como

automático ou semi-automático.

Para a validação do método proposto e da regra de decisão fornecida pela

ACR, 3 novas cenas RADARSAT foram recortadas contendo: a) recorte de cena A:

alvo escuro derivado de vazamento de óleo, com bordas bem definidas e com bom

contraste em relação ao oceano, e; b) recortes de cena B e C: alvos escuros em

diferentes escalas, derivados da presença de assemelhados, sem bordas bem

definidas e com maior heterogeneidade associada à variação dos NC no oceano,

ocasionando um menor contraste em relação ao oceano para alguns alvos. Quanto

mais evidente for o comportamento bimodal de um histograma, mais fácil será para o

algoritmo identificar padrões que sejam eficazes para separar os alvos escuros do

oceano. Nos recortes de cena definidos é perceptível a diminuição gradativa do

comportamento bimodal dos histogramas, esta escolha teve como objetivo submeter o

clusterizador a níveis crescentes de dificuldade. A Figura 5.50 ilustra os 3 novos

recortes de cena escolhidos para validar o método proposto e a regra de decisão

fornecida pela ACR, juntamente com seus respectivos histogramas.

Cada recorte de cena foi pré-processado com espaçamento de pixel de 100m,

filtro Lee com janela 3x3, segmentado no software SPRING com área mínima de 25

pixels e limiar de similaridade 4, sendo este a média dos melhores limiares indicados

no item 5.3 para cada uma das 11 cenas estudadas. Tendo como base as regiões

claras e escuras resultantes da segmentação, o conjunto adequado de 5 atributos,

indicado pelo processo de seleção e validado pelas análises de clusterização, foi

calculado para os 3 novos recortes de cena. As clusterizações foram efetuadas

automaticamente no software Clustan e, seqüencialmente, as métricas de avaliação

foram calculadas tendo como referência os Phantons delineados manualmente para

161

os novos exemplos. A Tabela 5.25 disponibiliza as métricas de avaliação calculadas

para as clusterizações automáticas efetuadas nos 3 novos recortes de cena para

validação do método de detecção automática de alvos escuros proposto na tese, e a

Figura 5.51 apresenta a espacialização destas métricas.

Figura 5.50 – Recortes de Cena escolhidos para validação do método proposto para a

detecção automática de alvos escuros em imagens SAR.

Tabela 5.25 - Métricas de avaliação calculadas para os resultados das clusterizações efetuadas

nos 3 novos recortes de cena para validação do método proposto na tese.

A performance automática obtida pelo clusterizador no recorte de cena A foi

considerada satisfatória, tendo evidenciado erros mínimos de omissão e de inclusão,

atingindo uma ExAE de 0,89, resultado esperado em função do comportamento

bimodal indicado no histograma da imagem. A clusterização para o recorte de cena B

foi mais ruidosa em função da heterogeneidade dos NC no oceano associada a

presença do ruído speckle e a redução localizada da intensidade do vento que ocorreu

simultaneamente com os assemelhados. Neste exemplo, os erros de inclusão foram

bem mais acentuados, e a ExAE foi de 0,46, performance considerada não

satisfatória.

162

Figura 5.51 – Resultados obtidos para validação do método de detecção automática de alvos

escuros proposto na tese.

Embora esta aparência ruidosa presente na região oceânica do recorte de cena

B seja similar ao ruído produzido pelas clusterizações efetuadas no nível do pixel, esta

associação é apenas visual e ocorre em função dos diferentes tamanhos de cena e

140 Km

22 Km

100 Km

40 Km

63 Km

25 Km

163

escala dos alvos escuros. Em cenas muito ruidosas, dotadas de maior

heterogeneidade no oceano, a segmentação pode gerar regiões com o tamanho

mínimo de até 25 x 25 pixels, parâmetro de área mínima definido no item 5.3 para ser

utilizado nos segmentadores. A visualização da imagem em uma menor escala

evidencia que não se tratam de pixels, mas de regiões delimitadas pelo clusterizador,

uma clusterização efetuada no nível do pixel produziria resultados muito mais

ruidosos. A Figura 5.52 disponibiliza: a) um mapa com as dimensões do recorte de

cena 2; b) uma ampliação com área equivalente à do recorte de cena 1 para fins

comparativos (detalhe 1), e; c) ampliações sucessivas (detalhes 2 e 3) evidenciando

os pixels no interior das regiões escuras delimitadas pela segmentação.

Figura 5.52 – Dimensões do recorte de cena B, evidenciando o conjunto de pixels nas regiões

escuras delimitadas pela segmentação.

No recorte de cena C, onde era esperado que o clusterizador tivesse mais

dificuldade para convergir clusters representativos, houve menos erro de inclusão no

oceano. Este erro ficou concentrado ao redor do alvo, comportamento esperado uma

vez que as bordas que separam o alvo do oceano não são bem definidas,

especialmente no caso das imagens SAR. A ExAE (0,49) atingiu quase 50% de

Detalhe 1

164

representatividade em relação ao Phanton o que indicou a performance do

clusterizador como satisfatória.

Para verificar se a regra de decisão formulada pela ACR seria válida para

indicar as imagens aptas a serem processadas automaticamente, os seguintes

atributos foram calculados: a) Média do atributo Moda para os clusters no oceano

menos a Média do atributo Moda para os clusters dos alvos escuros, e; b) Média do

atributo Máximo para os clusters no oceano menos a Média do atributo Máximo para

os clusters dos alvos escuros. A Tabela 5.26 disponibiliza a diferença entre as médias

dos clusters para os 5 atributos utilizados na clusterização, a ExAE e a classificação

da performance do clusterizador como satisfatória (S) ou não satisfatória (NS).

Tabela 5.26 - Métricas de avaliação calculadas para os resultados das clusterizações

automáticas efetuadas nos 3 novos recortes de cena para validação do método proposto.

A Figura 5.53 apresenta os processamentos efetuados com os 3 novos

recortes de cena, juntamente com os resultados da validação da regra de decisão

indicada pela ACR, para definir o processamento das imagens como automático ou

semi-automático. Ao final dos processamentos as geometrias produzidas com ou sem

a intervenção humana são utilizadas como referência para o cálculo dos atributos em

um sistema automático de classificação em óleo e assemelhados.

A regra de decisão (Figura 5.49) não foi validada com todos os exemplos

utilizados. De acordo com a regra o processamento semi-automático seria indicado

para os recortes de cena A e B. A regra foi válida para o recorte de cena B que obteve

a menor ExAE e o maior erro de Inclusão (Tabela 5.25 e Figura 5.51). Entretanto, de

forma contraditória, o procedimento supervisionado foi indicado para o recorte de cena

A que apresentou a melhor performance automática. A cena C foi coerentemente

indicada para o processamento automático, uma vez que os clusters obtidos foram

representativos com ExAE de 0,49.

Desta forma, somente os recortes de cena B e C validaram a regra de decisão

proposta pela ACR. Reprocessar supervisionadamente uma cena que teve resultados

satisfatórios no modo automático significaria um custo computacional desnecessário.

Entretanto, do ponto de vista operacional seria melhor do que indicar para o

165

processamento automático uma cena que não é favorável, produzindo resultados

dotados de reduzida acurácia geométrica.

Figura 5.53 – Validação da regra de decisão para definir o processamento como automático ou

semi-automático.

166

As 3 novas cenas processadas com os parâmetros padronizados ao longo da

tese validaram as hipóteses relacionadas à possibilidade de automatização do método

a partir de um conjunto padrão com número reduzido de atributos.

A utilização de um limiar único para a segmentação também foi validada,

entretanto, neste quesito mais exemplos precisariam ser testados. Em recortes de

cena menores com apenas um alvo, o limiar indicado resolve bem a separação dos

alvos escuros do oceano. Nas cenas maiores, em que se têm alvos escuros de grande

e pequena dimensão, o LS indicado pode super-segmentar alvos escuros de maior de

dimensão, juntamente com o oceano (background), aumentando o erro de inclusão

nas áreas oceânicas (exemplo da cena de validação C: Figura 5.51).

Os resultados evidenciaram o potencial da utilização de regras de decisão para

auxiliar no processo de automatização, indicando situações em que a intervenção

humana é necessária para produzir geometrias representativas para os alvos escuros.

Entretanto, seria indicado aumentar o número de amostras para que a ACR possa

retornar uma regra mais robusta, a ser aplicada a toda nova imagem SAR adquirida.

167

CAPÍTULO 6

CONCLUSÕES E RECOMENDAÇÕES

6 - Premissas e Hipóteses Adotadas no Desenvolvimento da Tese:

Os resultados obtidos e as discussões abordadas ao longo da tese forneceram

contribuições significativas no âmbito dos sistemas automáticos para detecção de

alvos escuros em imagens SAR. Estes resultados foram obtidos considerando a

premissa de que o método proposto tivesse características que permitissem a sua

futura implementação de forma automática e operacional, sendo investigadas a

seguintes hipóteses:

i) utilizar o formato compactado MrSid permitiria um rápido download e um

processamento mais rápido por ser disponibilizado já com os pré-

processamentos efetuados;

ii) utilizar um espaçamento de pixel maior do que 50m reduziria o custo

computacional;

iii) utilizar filtros no pré-processamento das imagens amenizaria a influência do

ruído speckle e, conseqüentemente, melhoraria a detecção de alvos escuros

compensando a redução do espaçamento de pixel;

iv) segmentar as imagens para efetuar os processamentos no nível das regiões

e não dos pixels, produziria resultados menos ruidosos com um menor custo

computacional;

v) associar inúmeros atributos às regiões ampliaria as chances de encontrar

uma combinação de atributos considerada adequada para agrupar as regiões

em alvos escuros e oceano;

vi) efetuar o agrupamento das regiões através de clusterização de dados,

considerando que a segmentação não fornece um resultado definitivo em

função da escalabilidade dos alvos, produziria geometrias mais

representativas para os alvos escuros;

vii) selecionar um subconjunto de atributos mais significativos melhoraria o

desempenho da clusterização produzindo resultados mais satisfatórios;

viii) efetuar uma seleção rigorosa dos recortes de cena a serem utilizados como

teste permitiria obter resultados mais realistas, indicando a possibilidade de

se automatizar ou não o sistema detecção de alvos escuros;

ix) utilizar imagens de referência, denominadas Phantons, permitiria uma justa

avaliação dos resultados indicando quais os melhores softwares e

parâmetros a serem utilizados no um sistema de detecção de alvos escuros;

x) a acurácia obtida para a geometria dos alvos escuros é essencial para

alimentar a etapa de classificação dos alvos nas diferentes classes de óleo e

assemelhados;

xi) reduzir a intervenção humana através da padronização dos parâmetros

envolvidos na detecção, bem como utilizar um método para o agrupamento

automático das regiões capaz de garantir a replicabilidade dos resultados,

permitiria uma futura implementação automática e operacional do sistema;

168

Considerando a premissa e as hipóteses formuladas os seguintes resultados

foram obtidos para as etapas investigadas ao longo da tese.

6.1 - Pré-processamento das imagens:

Espaçamento de Pixel:

- A avaliação da influência da utilização de diferentes espaçamentos de pixel (50,

100, 150 e 200m) no potencial de detecção de alvos escuros em imagens SAR,

confirmou a hipótese (ii), indicando que: (a) o espaçamento de 100m, apesar de

detectar um menor número de alvos escuros (7) quando comparado ao espaçamento

de 50m (14), reduziu em 7 vezes o tempo de processamento, o que viabilizaria o uso

operacional de cenas completas. (b) Esta escolha também foi influenciada pelas

métricas de avaliação, as quais indicaram que, dentre os espaçamentos (100, 150 e

200m), o de 100m foi o que conseguiu definir melhor as bordas dos alvos escuros e

detectar um maior número de pequenos alvos com um menor tempo de

processamento, quando comparado com o espaçamento de 50m. (c) Embora a

maioria dos autores utilize o espaçamento de 100m, não foram encontrados estudos

avaliando comparativamente o custo/benefício de cada espaçamento de pixel no

desempenho da detecção, o que torna interessante os resultados obtidos. (d) Outra

evidência que reforçou a utilização do espaçamento de pixel de 100m foi a aquisição

de imagens RADARSAT também no modo ScanSAR Wide (100m), sendo

aconselhável, no âmbito da automatização do sistema padronizar o espaçamento de

pixel das imagens de entrada.

Filtragem:

- A avaliação do potencial associado à detecção de alvos escuros foi realizada

considerando imagens filtradas com os filtros Lee, Lee Enhanced, Frost, Frost

Enhanced, Kuan, Gamma, Sigma e Mediana com 3 dimensões de janela (3x3, 5x5 e

7x7). Dentre os filtros avaliados o Lee, aplicado com janela 3x3, foi indicado como

mais adequado para o pré-processamento das imagens, sendo também o mais

utilizado na literatura. De acordo com as métricas de avaliação, apesar da aplicação

deste filtro ter reduzido a ExAE e aumentado os erros de inclusão em relação ao

recorte de cena sem filtragem (100m), aumentou o número de alvos escuros

detectados de 7 para 10, confirmando a hipótese (iii). Esta avaliação foi importante

para indicar a possibilidade de automatização, considerando a importância dos filtros

para a suavização do ruído speckle inerente às imagens SAR.

169

- Uma avaliação mais robusta sobre a padronização ou não do filtro Lee 3x3 na

etapa de pré-processamento foi realizada utilizando 11 cenas diferentes, segmentadas

no MultiSeg e no SPRING (22 processamentos). Foi comprovado estatisticamente

pelo teste de Wilcox que a aplicação de filtragem nas imagens interfere

significativamente na detecção dos alvos escuros, melhorando os resultados na

maioria das cenas (14). Com base nestas constatações, a utilização do filtro Lee

aplicado com janela de dimensões 3x3, foi padronizada na etapa pré-processamento

das imagens.

6.2 – Segmentação em Imagens SAR:

- Os segmentadores MultiSeg e SPRING foram aplicados em 11 cenas

diferentes, com e sem filtragem, contendo diferentes tipos de alvos escuros em

diferentes escalas. O resultado esperado era que, a segmentação de alvos escuros

fosse melhor realizada pelo MultiSeg. Entretanto, embora o teste de Wilcox tenha

indicado que não há diferença estaticamente significativa entre a qualidade dos

resultados produzidos pelo SPRING ou pelo MultiSeg, o SPRING detectou um maior

número de alvos escuros, tendo sido utilizado nas demais etapas da tese.

Provavelmente, a alteração das propriedades estatísticas das imagens ocasionada

pela compactação/descompactação dos dados a partir do formato MrSid, prejudicou o

desempenho do MultiSeg, uma vez que as imagens foram processadas no modo

específico para RADAR.

- A proposta de um método padrão para o cálculo do Limiar de Similaridade a

partir de um box plot contendo as propriedades estatísticas dos alvos escuros e do

oceano foi uma importante contribuição. Este método garantiu uma avaliação justa dos

resultados obtidos, indicando o procedimento mais eficaz, considerando o melhor

desempenho de cada um dos softwares testados. Outro aspecto interessante a ser

comentado, refere-se à utilização do conhecimento dos especialistas para definir

parâmetros coerentes para a automatização do método proposto, sendo o parâmetro

de área mínima em pixels um exemplo. Este parâmetro foi estabelecido conjuntamente

com os especialistas no combate à emergências ambientais por vazamento de óleo da

PETROBRAS, os quais indicaram a mínima área de óleo identificável em campo e nas

imagens de satélite.

- O método proposto para o cálculo do LS não sub-segmentou os recortes de

cena, permitindo a detecção dos alvos escuros dotados de menor dimensão. A

definição dos parâmetros de AM e LS adequados para serem aplicados em qualquer

170

imagem SAR adquirida, contribuíram para reduzir o nível de intervenção humana no

processo, tornando factível uma futura automatização do sistema. Operacionalmente,

a detecção de alvos escuros e oceano a partir de regiões e não de pixels, diminuiu a

influência do ruído speckle e o custo computacional, além de permitir a associação de

diferentes atributos às geometrias produzidas (hipóteses iv e v).

6.3 – Detecção dos Alvos Escuros por Reconhecimento de Padrões:

- O método utilizado para o cálculo do LS permitiu a detecção de alvos de

pequena dimensão, entretanto, como os alvos de maior dimensão acabaram sendo

particionados em um maior número de segmentos, o processo de agrupamento das

regiões foi considerado indispensável para produzir geometrias mais representativas

para os alvos escuros (hipótese vi).

- Neste contexto, considerando o estado da arte em sistemas para detecção de

alvos escuros, os métodos propostos estão divididos em 2 etapas: a) segmentação

das imagens, e; b) agrupamento dos pixels ou das regiões em alvos escuros e

oceano. Pode-se considerar que o teor de inovação contido na tese esteve

concentrado nesta etapa, sendo o método proposto dividido em 4 partes: a)

segmentação das imagens; b) cálculo de diversos atributos para cada região originada

pela segmentação; c) seleção do conjunto adequado de atributos, e; d) clusterização

destes atributos em alvos escuros e oceano. Nos demais métodos o cálculo de

atributos foi utilizado somente na etapa de classificação das imagens em óleo e

assemelhados, bem como a utilização de técnicas para a seleção de atributos é

escassa na literatura específica de detecção de óleo.

Análise Exploratória e Seleção de Atributos:

- O potencial associado aos 36 atributos calculados (8 estatísticos, 20

geométricos e 8 texturais) foi avaliado através dos procedimentos de análise

exploratória e seleção de atributos efetuados sempre em relação ao atributo

categórico Classe do Phanton. A avaliação dos atributos em relação a uma verdade

previamente conhecida foi eficaz para identificar o conjunto de dados mais adequado

para a clusterização.

- Os coeficientes de correlação de Spearman foram calculados para os

atributos estatísticos, geométricos e texturais para cada uma das 11 cenas estudadas

e utilizados para identificar os atributos mais relacionados ao Phanton, sendo estes os

que teriam, provavelmente, o maior potencial para melhorar os resultados das

171

clusterizações. Os resultados evidenciaram que nenhuma das medidas de correlação

obtidas (396) atingiu (r) acima 0,7. Os atributos estatísticos foram os mais

relacionados com o Phanton, seguidos dos texturas e dos geométricos com média

global dos (r)s de 0,37 (estatísticos), 0,20 (texturais) e 0,14 (geométricos). Apesar dos

baixos valores de (r) obtidos para os três tipos de atributos, a maior parte das

correlações obtidas foram consideradas estatisticamente significativas em relação ao

Phanton, sendo 89% para os atributos estatísticos; 76% para os

geométricos/poligonais; 72% para os geométricos/skeletons, e; 81% para os atributos

texturais.

- A análise de componentes principais (ACP) indicou que conjunto mínimo de

atributos necessário para manter 90% da representatividade do conjunto de dados

inicial variou entre 4 e 10, sendo em média necessários 8 componentes.

- O método de seleção de atributos baseado no teste de chi-quadrado auxiliou

no processo de redução da dimensionalidade do conjunto de dados, fornecendo um

ranking com a importância dos 36 atributos, considerando a significância estatística (p

valor) calculada para cada valor de chi-quadrado. Tendo como base os resultados da

ACP, foram considerados na análise de seleção somente os 10 primeiros atributos

mais importantes indicados pelo chi-quadrado em relação ao atributo Classe do

Phanton em cada cena.

- Considerando que, para atender a premissa de automatização do sistema, é

necessário padronizar os parâmetros envolvidos em cada etapa do fluxo de

processamentos (hipótese xi), um ranking considerando a freqüência de indicação

acumulada dos 10 primeiros atributos para cada cena foi efetuado como objetivo de

identificar os atributos recorrentes sendo estes, respectivamente: Mediana, Média,

Moda, Mínimo, Máximo, GLCM da Média, Ajuste Retangular, GLCM da

Homogeneidade, Assimetria dos Polígonos e Densidade. De forma coerente, os

atributos indicados como menos correlacionados em relação Phanton, os geométricos

e os texturais, foram os menos indicados entre os 10 primeiros do ranking.

- Com a espacialização dos 10 melhores atributos selecionados, foi

interessante notar que, embora os atributos geométricos não tenham sido indicados

como bons preditores em relação ao atributo Classe do Phanton, nas cenas em que

manchas de óleo com geometrias bem definidas e alongadas estavam presentes,

estes atributos realçaram estes alvos em relação ao oceano. Visualmente, o GLCM da

Homogeneidade contribuiu para realçar os alvos em quase todas a cenas e o GLCM

172

da Média apresentou um comportamento irregular, sendo confuso em algumas cenas.

Através da espacialização é notável que os atributos estatísticos de primeira ordem

são, efetivamente, os que apresentaram maior potencial para auxiliar na detecção dos

alvos escuros.

- Os atributos selecionados pelo chi-quadrado como mais importantes são

multicorrelacionados entre si, entretanto, é notável que estes atributos foram os que

apresentaram as melhores correlações com o Phanton, sendo os demais atributos

muito pouco relacionados.

- A redução de 26 atributos do conjunto inicial de dados também representou

uma contribuição para a operacionalização do sistema, reduzindo o custo

computacional envolvido. A seleção realizada não foi considerada definitiva e foi

utilizada para direcionar as inúmeras clusterizações efetuadas a partir da combinação

dos atributos indicados (hipótese vii).

Clusterização das Regiões em Alvos Escuros e Oceano:

- Com o objetivo de validar o método de seleção utilizado, as clusterizações

foram efetuadas inserindo os 10 melhores atributos um a um, na ordem indicada pela

análise de freqüência acumulada (Tabela 5.19).

- Os resultados evidenciaram que a utilização do atributo de Mínimo isolado ou

em conjunto com o atributo de Máximo piorou a detecção de alvos escuros, tendo sido

indicada a sua eliminação do conjunto selecionado pelo chi-quadrado.

- Excluindo o atributo de mínimo, as clusterizações foram efetuadas

considerando os 9 melhores atributos selecionados na ordem indicada na Tabela 5.27

e os 35 atributos na ordem indicada pelo chi-quadrado. Este estudo foi realizado, para

verificar se haveria diferença na performance do clusterizador considerando o total de

atributos e não apenas os 9 melhores do ranking. Para efetuar essa comparação

foram consideradas: a) ExAE obtidas pela clusterização simultânea dos 9 e dos 35, e;

b) a Máxima ExAE (MExAE) obtida considerando a inserção gradual dos 9 e dos 35

atributos.

- A média das ExAEs obtida com a clusterização simultânea de todos os

atributos foi maior considerando os 9 atributos (0,37) do que considerando os 35

atributos (0,19), sendo esta diferença indicada como estatisticamente significativa pelo

teste Wilcox com p valor de 0,028. Estes resultados validam a hipótese de que a

seleção de um conjunto reduzido de atributos considerados significativos, é melhor do

173

que a utilização de um amplo conjunto de dados que inclua atributos não

representativos.

- Os Máximos valores de exatidão MExAE obtidos considerando a inserção

gradativa dos 9 e dos 35 atributos, apresentaram comportamento semelhante quando

comparados cena a cena. A média das MExAE obtidas com a inserção gradativa de 9

atributos foi de 0,43, enquanto que a obtida com a inserção de 35 atributos foi de 0,44.

Com um p valor de 0,068 o teste de Wilcox indicou que não há diferença

estatisticamente significativa entre os valores de MExAE obtidos com a melhor

combinação dentre os 9 ou dentre os 35 atributos.

- Considerando as hipóteses indicadas, esse resultado foi importante por

validar a possibilidade de automatização do sistema de forma operacional a partir de

um conjunto reduzido de atributos, minimizando também o custo computacional

associado.

- Nas situações em que foi possível convergir para uma melhor ExAE com um

menor número de atributos, oscilando entre 2 e 4, a inserção de mais atributos não

prejudicou os resultados da clusterização. Entretanto, nos casos em que a máxima

ExAE foi obtida com um número maior ou igual a 4 atributos, a redução do número de

atributos para 2 ou 3 prejudicou a detecção dos alvos. Estes resultados indicaram que

o conjunto de atributos a ser padronizado não poderia conter menos do que 4

atributos. O número de atributos a ser adotado poderia ser 4 ou 5, considerando que

as MExAE foram obtidas na Média com 4 atributos e na Mediana com 5 atributos,. O

teste Wilcox indicou que não há diferença estatisticamente significativa em se utilizar 4

ou 5 atributos. Neste contexto decidiu-se padronizar em 5 o número de atributos,

considerando que a retirada do 5º atributo da cena 11 prejudicou significativamente os

resultados e nas demais cenas não provocou alterações significativas.

- Importante destacar que embora as 5 variáveis indicadas sejam

multicorrelacionadas, a sua utilização simultânea na clusterização foi o que gerou os

melhores resultados, validando esta seleção. Estes atributos foram considerados

robustos por terem sido selecionados de forma recorrente em todas as cenas. Testes

foram efetuados considerando outros métodos de seleção e o resultado foi o mesmo,

a clusterização só foi satisfatória para o conjunto de dados que continha as variáveis

multicorrelacionadas.

- Apesar da automatização considerando um número reduzido de atributos

padrão ter sido indicada como factível, a análise global dos resultados evidenciou que,

174

dentre as 11 cenas, apenas 5 obtiveram uma clusterização considerada satisfatória,

sendo 4 com ExAE maiores ou iguais a 0,5 e 1 cena com ExAE menor do 0,5.

- Inúmeros fatores contribuíram para que os resultados não fossem

considerados satisfatórios em todas as cenas sendo estes, direta ou indiretamente

relacionados com o rigor adotado durante a seleção das cenas. A diversidade de

cenas considerando diferentes tipos de alvos, com diferentes geometrias em

diferentes escalas, ocorrendo isoladamente ou simultaneamente com outros eventos

foi um ponto importante da pesquisa, enriquecendo os resultados e mostrando a

dificuldade de se detectar alvos escuros automaticamente (hipótese viii). Um ponto a

ser investigado é a influência do formato MrSid nesses resultados, considerando a

alteração das propriedades estatísticas das imagens em função da compactação.

6.4 - Abordagem Automática e Semi-Automática:

- Considerando que ainda não há um consenso entre os pesquisadores sobre

qual abordagem, manual, semi-automática ou automática, representa o melhor

custo/benefício para operacionalizar a detecção de óleo e assemelhados em imagens

SAR, uma comparação entre os métodos automático e semi-automático foi realizada

para definir com maior rigor o procedimento mais eficaz. Foram utilizados os

resultados do Clustan (considerado automático: não supervisionado) e os resultados

obtidos pela Limiarização e pela aplicação dos classificadores Maxver e SVM

(considerados semi-automáticos: supervisionados).

- A interpretação visual dos resultados indicou que os métodos semi-

automáticos conseguiram retornar clusters mais representativos e, conseqüentemente,

geometrias mais precisas para os alvos escuros, delineando com maior acurácia os

limites que os separam do oceano. A Média das métricas de ExAE e de erros de

Inclusão e de Omissão confirmou esta interpretação indicando que o melhor

desempenho foi obtido pelo classificador SVM, seguido da Limiarização. Enquanto os

métodos semi-automáticos erraram mais excluindo regiões que seriam alvos escuros,

o método automático errou mais incluindo regiões oceânicas como alvos escuros.

- Uma comparação entre os resultados obtidos pela tese com resultados

obtidos por diferentes autores que consideram seus métodos automáticos foi

realizada. A comparação dos resultados efetuada entre alvos considerados fáceis e

difíceis evidenciou que o método proposto também poderia ser considerado

automático por ter conseguido resultados semelhantes ao de diversos autores.

175

Entretanto, o método proposto não obteve resultados considerados satisfatórios para

todas as cenas estudadas.

- Do ponto de vista operacional, mesmo com imprecisão, os alvos escuros

detectados pelo método de clusterização seriam úteis para o acionamento das

inspeções de campo. Entretanto, geometrias com baixa exatidão não apresentariam

acurácia suficiente em relação ao Phanton para serem utilizadas como dado de

entrada em um sistema de classificação automática (hipótese x). Na pior hipótese, ao

final da classificação um resultado errôneo poderia ocasionar falhas no processo de

combate a uma possível emergência envolvendo derramamento de óleo no mar.

- Também não seria aconselhável armazenar geometrias imprecisas em um

Banco de Dados que tem por objetivo fornecer conhecimento pretérito para

retroalimentar o sistema automático de detecção de óleo e assemelhados. O registro

cumulativo de geometrias imprecisas e, conseqüentemente, de atributos imprecisos no

Banco de Dados poderia levar à ineficácia do sistema, confundindo o classificador na

distinção dos alvos escuros em óleo ou assemelhados.

- Neste contexto, a elaboração de um sistema híbrido inteligente capaz de

indicar através de regras de decisão as imagens aptas para o processamento

automático ou semi-automático foi proposta. Para tal, regras de decisão foram

estabelecidas e confrontadas a cada nova imagem SAR, indicando as cenas a serem

processadas automaticamente e as cenas que necessitariam de supervisão. Esta

proposta permitiu utilizar o processamento automático nas situações em que os

resultados foram favoráveis.

6.5 - Validação e Síntese da Metodologia Proposta:

- Atributos que consideraram a distância entre as médias dos 5 atributos

indicados como padrão, obtidas para os clusters dos alvos escuros e do oceano,

foram calculados para as 11 cenas e processados pelo método de ACR para

encontrar as regras de decisão. O método de ACR retornou uma regra compacta,

considerando como atributo de partição inicial a diferença entre a Moda e como

atributo de partição secundário a diferença entre o Máximo nos dois tipos de clusters.

- As 3 imagens de validação foram pré-processadas, segmentadas e

agrupadas com todos os parâmetros padronizados ao longo da tese: a) Espaçamento

de Pixel: 100m; b) Filtragem: Lee 3x3; c) Segmentação: SPRING com AM= 25 pixels e

LS = 4, e; d) Clusterização: Clustan, considerando 2 clusters. Os atributos de

176

Diferença entre a Média dos clusters para o atributo de Moda e de Máximo foram

calculados para serem confrontados com a regra de decisão encontrada.

- A regra não foi validada para todos os exemplos utilizados, onde 2 cenas

deveriam ter sido indicadas para o processamento automático e apenas uma para o

processamento semi-automático. A cena de validação A, que retornou o melhor índice

de ExAE, foi indicada para o processamento semi-automático. Reprocessar

supervisionadamente uma cena que teve resultados satisfatórios no modo automático

significaria um custo computacional desnecessário. Entretanto, do ponto de vista

operacional seria melhor do que indicar para o processamento automático uma cena

não favorável, produzindo resultados dotados de reduzida acurácia geométrica.

- Os resultados evidenciaram o potencial destas regras para auxiliar no

processo de automatização, sendo necessárias mais amostras para retornar regras

mais robustas aplicáveis a toda nova imagem SAR adquirida.

- Desta forma, considerando a premissa, as hipóteses consideradas e os

resultados obtidos ao longo da tese, o fluxograma da Figura 6.1 ilustra o método

proposto para a detecção de alvos escuros em imagens SAR, adotando uma

abordagem híbrida que integra métodos automáticos e semi-automáticos.

6.6 - Considerações Finais e Recomendações:

- Uma importante recomendação seria aumentar o número de exemplos

obtidos com o mesmo método de detecção a fim de aprimorar a regra de decisão

encontrada para que ela seja aplicável, com maior eficácia, a qualquer nova imagem

SAR.

- Outra perspectiva seria investigar novos métodos para o pré-processamento

das imagens com o objetivo de produzir novos atributos capazes de discriminar melhor

os alvos escuros e o oceano, melhorando os resultados da clusterização. A

possibilidade de utilizar diferentes técnicas de seleção de atributos e clusterização de

dados também pode ser verificada.

- Efetuar testes comparativos utilizando os dados no formato CEOS e MrSid,

seria interessante para verificar quantitativamente os benefícios e as perdas

associados a utilização do formato MrSid.

177

Figura 6.1 – Método proposto para a detecção automática de alvos escuros e classificação em

óleo e assemelhados.

- Realizar experimentos utilizando o modo para segmentação de imagens

óticas disponível no software MultiSeg, seria recomendado para confirmar se este

produziria resultados melhores do que o SPRING.

- Verificar a possibilidade de utilizar dados contextuais referentes a intensidade

da velocidade do vento em cada cena para auxiliar na separação dos alvos escuros do

oceano, especialmente nas cenas em que alvos escuros referentes a óleo, algas,

dentre outros ocorrem simultaneamente com eventos de baixa intensidade de vento.

- Testar o método proposto com imagens SAR adquiridas por outros satélites

como o ENVISAT/ASAR, COSMO SKYMED, TERRASAR, dentro outros. Importante

destacar que, embora no contexto da tese só tenham sido utilizadas imagens

provenientes do satélite RADARSAT-1, o método é replicável para as imagens do

RADARSAT-2. Isto é factível considerando que as configurações deste satélite são as

mesmas do RADARSAT-1, sendo a única diferença a possibilidade de aquisição de

imagens em outras polarizações que não somente a HH.

178

- Uma importante recomendação consiste em efetuar testes futuros acoplando

as geometrias resultantes do método elaborado ao sistema automático de

classificação proposto por BENTZ (2006). Este procedimento teria como objetivo

verificar se as geometrias possibilitarão o cálculo de atributos eficientes para a

classificação dos alvos escuros em óleo e assemelhados, considerando as diferentes

sub-classes utilizadas por BENTZ (2006).

- Finalmente, considerando as dificuldades encontradas na detecção de alvos

escuros em imagens SAR amplamente discutidas na literatura, seria essencial poder

comparar os resultados dos diferentes métodos propostos para encontrar uma

definição do que seria de fato um sistema automático e quais seriam os melhores

métodos. Para que isso fosse possível seria recomendado que um conjunto de dados

compilado, reunindo recortes de cena dotados de complexidade diferenciada, fosse

disponibilizada para ser amplamente utilizado pelos pesquisadores e organizações

interessados em desenvolver soluções para a detecção de óleo.

- O encontro SEASAR realizado em janeiro de 2010 na ESA, reunindo

especialistas da área, focados no desenvolvimento científico e na aplicação

operacional de sistemas para detecção de óleo obteve, como principal conclusão que:

“Sistemas completamente automáticos para a detecção de vazamento de óleo ainda

não constituem uma realidade a ser implementada operacionalmente. Entretanto,

considerando a relevância do tema e o potencial dos dados SAR para a detecção

destes eventos, a comunidade científica reforçou a necessidade da continuidade dos

estudos nesta área.”

- Os resultados obtidos ao longo da tese refletem o estado da arte referente ao

desenvolvimento de sistemas para a detecção automática de óleo e assemelhados.

Neste contexto, a proposta de um sistema híbrido constitui uma alternativa

interessante para as cenas dotadas de alvos mais difíceis de serem detectados, uma

vez que a utilização de um método automático plenamente eficaz para todas as cenas

ainda não foi encontrado.

179

REFERÊNCIAS BIBLIOGRÁFICAS

AKKARTAL A.; F. SUNAR. The usage of radar images in oil spill detection, The

International Archives of the Photogrammetry, Remote Sensing and Spatial

Information Sciences. Vol. XXXVII. Part B8. Beijing 2008, pp. 271-276, 2008.

ALMEIDA, R. F.; MIRANDA F.P.; LORENZETTI, J.A.; PEDROSO, E.C.; BEISL, C.H.;

LANDAU, L. RADARSAT-1 Images in Support of Petroleum Exploration: The

Offshore Amazon River Mouth Example. Canadian Journal of Remote Sensing,

Vol. 31, No 4, pp. 289-303, 2005.

AYED, I. B.; HENNANE, N.; MITICHE, A. Unsupervised variational image

segmentation/classification using a Weibull observations model. IEE Transections

on Image Processing, vol 15, no 11, November, 2006.

ALPERS, W.; HÜHNERFUSS, H. “Radar signatures of oil films floating on the sea

surface and the Marangoni effect”. Journal of Geophysics, Res., vol. 93(C4), pp.

3642–3648, 1988.

ALPERS, W.; HÜHNERFUSS, H. The damping of ocean waves by surface films: a new

look at on old problem. Journal of Geophysics, Res., vol. 94, no. C5, pp.

6251.6265, 1989.

ALPERS, W.; WISMANN, V.; THEIS, R.; HUHNERFUSS, H.; BARTSCH, N.;

MOREIRA, J.; Lyden, J. The damping of ocean surface waves by monomolecular

sea slicks measured by airborne multi-frequency radars during the saxon-fpn

experiment. Proceedings IGARSS'91, 1991.

ALPERS, W.; ESPEDAL, H. A. Oils and Surfactants. Chapter 11 in Synthetic Aperture

Radar Marine User`s Manual, Organized by Jackson C. R. & Apel J. R., National

Oceanic and Atmospheric Administration – NOAA, 2004.

ARVELYNA, Y.; OSHIMA, M.; KRISTIJONO, A.; GUNAWAN, I. Auto Segmentation of

Oil Slick in RADARSAT SAR Image Data Around Rupat Island, Malaca Strait.

Proceedings 22

Asian Conference on Remote Sensing, Singapore, 2001.

ANDRADE, L. P. Procedimento Interativo de Agrupamento de Dados [Rio de Janeiro],

VIII, 193 p., COPPE/UFRJ, Dissertação de Mestrado, Engenharia Civil, 2004.

180

ANGIULI, E.; FRATE, F.; SALVATORI, L. Neural Networks for oil spill detection using

ERS and ENVISAT imagery, 2006 [online] <http://earth.esa.int/workshops

/seasar2006/proceedings/papers/s5_4_ang.pdf>, acesso novembro 2006.

GIRARD-ARDHUIN, F.; G. MERCIER, R.; GARELLO. Oil slick detection by SAR

imagery: potential and limitation. Marine Technology and Ocean Science Conf.

(OCEANS'03), San Diego, USA, pp. 22-26 September ,2003.

ASSILZADEH, H.; MAGED, M.; MANSON, S.B.; MOHAMED, M.I. Application of

trajectory model, remote sensing and geographic information systems (GIS) for oil

spill emergency response in straits of Malacca. In: Proceedings of the 20th Asian

Conference on Remote Sensing, Hong Kong, pp. 331–339, 1999.

BAATZ, M.; SCHÄPE, A., “Object-oriented and multi-scale image analysis in semantic

networks”. In: Proceedings of the 2nd International Symposium on

Operationalization of Remote Sensing, ITC, Enschede, Netherlands, Aug, 1999.

BAATZ, M.; SCHÄPE, A. “Multiresolution segmentation – An optimization approach for

high quality multi-scale image segmentation”. In: Angewandte Geographische In

formationsverarbeitung XI. Beiträge zum AGIT – Symposium 1999, Kalsruhe

Herbert Wichmann Verlag, Salzburg, 2000.

BAATZ, M.; BENZ, U.; DEHGHANI, S.; HEYNEN, M.; HÖLTJE, A.; HOFMANN, P.;

LINGENFELDER, I.; MIMLER, M.; SOHLBACH, M.; WEBER, M.; WILLHAUCK, G.,

eCognition User Guide, 2 ed, Definiens Imaging, München, 2003.

BAATZ, M.; BENZ, U.; DEHGHANI, S.; HEYNEN, M.; HÖLTJE, A.; HOFMANN, P.;

LINGENFELDER, I.; MIMLER, M.; SOHLBACH, M.; WEBER, M.; WILLHAUCK, G.

e-Cognition Professional User Guide 4. München, Germany: Definiens Imaging

GmbH, 486 p, 2004.

BARNI, M.; BETTI, M.; MECOCCI, A. A fuzzy approach to oil spill detection on SAR

images. Proc. IGARSS ’95, vol. 1 (pp. 157– 159), 1995.

BENTZ C. M.; LORENZETTI J.A.; KAMPEL M.; POLITANO A.T.; GENOVEZ P.C.,

LUCCA A.V.D. Contribuição de dados ASTER, CBERS, R99/SIPAM e OrbiSAR-1

para o monitoramento oceânico – Resultados do projeto FITOSAT Anais XIII

Simpósio Brasileiro de Sensoriamento Remoto, Florianópolis, Abril de 2007a.

181

BENTZ C. M.; EBECKEN N. F.F.; POLITANO A. T. Identificação automática de

eventos ambientais costeiros e oceânicos detectáveis em imagens de radares

orbitais. Anais XIII Simpósio Brasileiro de Sensoriamento Remoto, Florianópolis,

Abril de 2007b.

BENTZ, C. M. Reconhecimento Automático de Eventos Ambientais Costeiros e

Oceânicos em Imagens de Radares Orbitais [Rio de Janeiro], XIII, 115 p.,

COPPE/UFRJ, D.Sc., Engenharia Civil, 2006.

BENTZ, C.M.; POLITANO, A.T.; GENOVEZ, P.C; A.T. MIRANDA, R.S.P. “Offshore Oil

Spill Detection and Monitoring in E&P Areas – An Operational Multi-Sensors

Approach”. Anais, Eighth International Conference On Health, Safety and

Environment, Abu Dhabi - UAE, Abril de 2006.

BENTZ, C.; POLITANO, A.; SPINDOLA, R.; GENOVEZ, P. A Multi-Sensor Approach

for Oil Spill and Sea Surface Monitoring in Southeastern Brazil, Halifax, Nova

Scotia Canada. Proceedings of the 8

International Conference on Remote

Sensing for Marine Environments, 2005a.

BENTZ, C.; POLITANO, A.; GENOVEZ, P, Monitoramento ambiental de áreas

costeiras e oceânicas com múltiplos sensores orbitais, Goiânia, Brasil. Anais XII

Simpósio Brasileiro de Sensoriamento Remoto, 2005b.

BENTZ, C. M. Visita à Tromsø Satellite Station (TSS) e ao Nansen Environment and

Remote Sensing Center (NERSC), Noruega. Relatório de Viagem Comunicação

Técnica PETROBRAS, 2003.

BENTZ, C.M.; MIRANDA, F.P. Application of Remote Sensing Data for Oil Spill

Monitoring in The Guanabara Bay, Rio De Janeiro, Brazil. Proceedings of the

Internationl Geoscience and Remote Sensing Symposium (IGARSS’2001), Sydney,

IEEE, Pisacataway, USA, 2001.

BEAULIEU, J. M.; TOUZI, R. Hierarchical segmentation of polarimetric SAR images.

In: International Geoscience and Remote Sensing Symposium (IGARSS’02) and

Canadian Symposium on Remote Sensing, 24. Proceedings Toronto, Canada:

IGARSS, 2002. p. 2590–2592, 2002.

182

BEAUCHEMIN, M.; THOMSON. The evaluation of segmentation results and the

overlapping area matrix. International Journal of Remote Sensing. v. 18, n. 18, p.

3895-3899, December, 1997.

BINS, L.; FONSECA, L.; ERTHAL, G. Satellite Imagery Segmentation: a region

growing approach. in VIII Brazilian Symposium on Remote Sensing. São José dos

Campos, BR: INPE, 1996.

BJERDE, K.W.; SOLBERG, A. H. S.; SOLBERG, R. Oil spill detection in SAR imagery.

Proc. IGARSS’93, vol. 3, pp. 943–945,1993.

BLUM, A.; LANGLEY, P. Selection of relevant features and examples in machine

learning. Artificial intelligence, 97, pp.245-271 , 1997.

BREIMAN, L.; FRIEDMAN, J. H.; OLSHEN, R. A.; STONE, C. J. Classification and

regression trees. Monterey, CA: Wadsworth & Brooks/Cole Advanced Books &

Software, 1984.

BREKKE, C.; SOLBERG, A. H. S. oil spill detection by satellite remote sensing –

Review. Remote Sensing of Environment (95), pp 1-13, 2005.

BROWN C. E.; FINGAS M. F. New space-borne sensing for oil spill response,

International Oil Spill Conference, 2001.

BURGES, C. J. C. “A tutorial on support vector machines for pattern recognition”, Data

Mining and Knowledge Discovery, v. 2, n. 2, pp. 121–167, 1998.

CALABRESI, G.; DEL FRATE, F.; LICHTENEGGER, J.; PETROCCHI, A.; TRIVERO,

P., “Neural networks for the oil spill detection using ERS-SAR data”. In:

Proceedings of the International Geoscience and Remote Sensing Symposium

(IGARSS’99), Hamburg, v. 1, IEEE, Pisacataway, USA, pp. 215 – 217, 1999.

CÂMARA, G., et al. SPRING: Integrating Remote Sensing and GIS with Object-

Oriented Data Modelling. Computers and Graphics, 15(6): p. 13-22, 1996.

CANADA CENTRE FOR REMOTE SENSING, Natural Resources Canada (2006 - last

updated 03 September). Tutorial: Fundamentals of Remote Sensing. from

http://ccrs.nrcan.gc.ca/resource/tutor/fundam/index_e.php. Retrieved on June 11,

2007.

183

CAVES, R.; QUEGAN, S.; WHITE, R.G. Quantitative comparison of the performance of

SAR segmentation algorithms. IEEE Transactions IP, 1996.

CAVES, R.; QUEGAN, S.; WHITE, R. G. Quantitative comparison of the performance

of SAR segmentation algorithms. IEEE Transactions on Image Processing, v. 7, n.

11, p. 1534–1546, Nov. 1998.

CHANG, L.; CHENG, C. M.; TANG, Z. S. An automatic detection of oil spills in SAR

images by using image segmentation approach. IEEE, 2005 [online]

<http://ieeexplore.ieee.org/ iel5/10226/32596/01525287.pdf?arnumber=1525287>,

acesso novembro 2006.

CHANG, Y.; LEE, M.; SHIMADA, A.T.; SAKAIDA, F.; KAWAMURA, H.; CHAN, J.; W.-

LU H. J. Wintertime high-resolution features of sea surface temperature and

chlorophyll-a fields associated with oceanic fronts in the southern East China Sea,

International Journal of Remote Sensing, v.29 n.21, p.6249-6261, November 2008 .

CHEN, M.; HAN, J.; YU, P. S. Data Mining: An Overview from a Database Perspective.

IEEE Transections on Knownledge and data Engineering, Vol 8, No 6, December,

1996.

DELVES, L. M.; WILKINSON, R.; OLIVER, C. J.; WHITE, R. G. Comparing the

performance of SAR segmentation algoritms. International Journal of Remote

Sensing, v. 13, n.11, p. 21221-21249, 1992.

DEL FRATE, F.; PETROCCHI, A.; LICHTENEGGER, J.; CALABRESI, G. Neural

Networks for oil spill detection using ERS-SAR data, IEEE Transc. on Geosc. and

Remote Sensing, 3 (5), 2282-2287, 2000.

DEFINIENS PROFESSIONAL 5. Reference Book. Published by Definiens Ag,

Trappentreus 1, München, Germany, 2006.

ENGELHARDT F. R. Remote Sensing for oil spill detection and response. Pure Appl,

vol.71 (1), pp103-111, 1999.

ELACHI, C. Introduction to the Physics and Techniques of Remote Sensing, New York

(NY) USA, John Wiley & Sons, 1987.

184

ESPEDAL, H.A.; WAHL, T. “Satellite SAR oil spill detection using wind history

information”, International Journal of Remote Sensing, 20 (1), 49-65, 1999.

ESPEDAL, H. A. Detection of oil spill and natural film in the marine environment by

spaceborne synthetic aperture radar. PhD thesis, Department of Physics University

of Bergen and Nansen Environment and Remote Sensing Center, Norway, 1998.

ESPINDOLA, G. M.; CÂMARA, G.; REIS, I. A.; BINS, L. S.; MONTEIRO, A. M. Spatial

Autocorrelation Indicators for Evaluation of Remote Sensing Image Segmentation

Algorithms. In: GIS and Spatial Analysis - 2005 Annual Conference of the

International Association for Mathematical Geology, Toronto - Canada, 2005.

ESPINDOLA G. M. Ajuste de parâmetros em algoritmos de segmentação de imagens

por crescimento de regiões. Dissertação de Mestrado em Sensoriamento Remoto,

INPE, 2006.

EVANGELOU, I. E.; HADJIMITSIS, D.G.; LAZAKIDOU, A.; CLAYTON, C. I. Data

mining and knowledge discovery in complex image data using artificial neural

networks. In: International Conference on Logic Programming, 17, Workshop on

Complex Reasoning on Geographical Data (ICLP´01), 2001.

ENVI 4.4 User’s guide: The Enviromment For Visualizing Images. Version 4.4, Tutorial

do software, consulta janeiro de 2010.

FERRARO, G.; BERNARDINI, A.; DAVID, M.; MEYER-ROUX S.; MUELLENHOFF, O.;

PERKOVIC M.; TARCHI, D.; TOPOUZELIS, K. Towards an operational use of

space imagery for oil pollution monitoring in the Mediterranean basin: A

demonstration in the Adriatic Sea. Marine Pollution Bulletin, 54 403–422, 2007.

FINGAS, M.F.; BROWN, C.E. “Review of Oil Spill Remote Sensing”, in Proceedings of

the Sixth International Conference on Remote Sensing for Marine and Coastal

Environments, Veridian ERIM International, Ann Arbor, MI, pp. I211-218, 2000a.

FINGAS, M.F.; BROWN, C.E. “Review of Oil Spill Remote Sensing”, in Proceedings of

SPILLCON 2000, Australian Marine Safety Authority, Sydney, Australia,

www.meetingplanners.com.au/spillcon/, 2000b.

185

FINGAS, M.F.; BROWN, C.E. Review Of Oil Spill Remote Sensors. Presented at the

Seventh International Conference on Remote Sensing for M arine and Coastal

Environments, Miami, Florida, May, 2002.

FINGAS, M.F.; BROWN, C.E. Review Of Oil Spill Remote Sensing Presented at the

Eighth International Conference on Remote Sensing for Marine and Coastal

Environments, Halifax, Nova Scotia, May, 2005.

FISCELLA, B.; GIANCASPRO, A.; NIRCHIO, F.; PAVESE, P.; TRIVERO, P. Oil spill

detection using marine SAR images. International Journal of Remote Sensing Vol.

21, No 18, 3561–3566, 2000.

FRERY, A. C.; CORREIA, A. H.; FREITAS, C. C. Classifying Multifrequency Fully

Polarimetric Imagery with Multiple Sources of Statistical Evidence and Contextual

Information. IEEE Transactions on Geoscience and Remote Sensing, v. 45, p.

3098-3109, 2007.

GADE, M.; SCHOLZ, J.; VON VIEBAHN, C. On the detectability of marine oil pollution

in European marginal waters by means of ERS SAR imagery. Proc. IGARSS 2000,

vol. 6 (pp. 2510– 2512), 2000.

GADE, M.; ALPERS, W.; HÜNERFUSS, H.; WISMANN, V. R.; LANGE, W.G. On the

reduction of radar backscatter by oceanic surface films: Scatterometer

measurements and their theoretical interpretation, Remote Sens. of Env. 66(1), 52-

70, 1998.

GALLAND, F.; GERMAIN O.; BERTAUX, N.; RÉFRÉGIER, P. Partitioning into

Homogeneous Regions Adapted to SAR Images, 2003 [online]

<http://www.fresnel.fr/perso/galland/ Galland04_ESA_EUSC_preprint.pdf>, acesso

novembro, 2006.

GALLAND, F.; BERTAUX, N.; RÉFRÉGIER, P. Minimum description Lenght Syntetic

Aperture RADAR. Image Segmentation. Image Processing, IEEE Transactions,

2003.

GALLAND, F.; RÉFRÉGIER, P.; GERMAIN, O. Syntetic Aperture Radar oil spill

segmentation by stochastic complexity minization. 2004, [online] <

http://ieeexplore.ieee.org/iel5/8859 /28004/101109LGRS2004835346.pdf>, acesso

novembro, 2006.

186

GAMBLE, L. Comunicação pessoal efetuada através de email com o operador da

estação de recepção de dados RADARSAT Gatineau. Contato efetuado em 2008.

GASULL, A.; FABREGAS, X.; JIMENEZ, J.; MARQUES, F.; MORENO, V.; HERRERO,

M. Oil spills detection in SAR images using mathematical morphology. Proc.

EUSIPCO’2002, Toulouse, France, vol. 1 (pp. 25–28), 2002.

GENOVEZ, P. C.; POLITANO, A. T.; BENTZ, C. M. Utilização de Imagens ENVISAT

para a Detecção e Monitoramento de Acidentes Ambientais: Uma Abordagem

Operacional. Anais XIII Simpósio Brasileiro de Sensoriamento Remoto,

Florianópolis, Abril de 2007.

GENOVEZ, P.; FREITAS, C. C.; BENTZ, C. M.; FREITAS, R. M.; DUTRA, L. V.

Detecção de Óleo e Ocorrências Ambientais em Imagens SAR: Avaliação de

Diferentes Parâmetros de Pré-processamento e Diferentes Segmentadores. Anais

XIV Simpósio Brasileiro de Sensoriamento Remoto, Natal, Abril de 2009.

GENOVEZ, P.; PALMEIRA, F. L. B.; BENTZ, C. M. Detecção e Monitoramento de Óleo

através da Utilização Integrada de Imagens de Satélite, Verificações de Campo e

Modelagem de Deriva de Óleo: Uma Abordagem Operacional. Anais XIV Simpósio

Brasileiro de Sensoriamento Remoto, Natal, Abril de 2009.

GOODMAN, R. H.; BROWN, C. E. Oil Detection Limits For A Number Of Remote

Sensing Systems Presented at the Eighth International Conference on Remote

Sensing for Marine and Coastal Environments, Halifax, Nova Scotia, May 2005.

GOODMAN, R. H., “Overview and Future Trends in Oil Spill Remote Sensing”, Spill

Science and Technology Bulletin, Vol. 1, No. 1, pp. 11-21, 1994.

GONZALES, R.C.; WINTZ, P. Digital image processing. New York: Addison-Wesley,

1987.

HANG, L. M.; DINH, D. N., Oil Spill Detection and Classification by ALOS PALSAR at

Vietnam East Sea. 7

FIG Regional Conference Spatial Data Serving People: Land

Gib=vernance and the Environment – Building the Capacity . Hanoi, Vietnan, 19-

22, October, 2009.

HAN, J.; KAMBER, M. Data Mining: Concepts and Techniques. Academic Press,

United States, 2001.

187

HARALICK, R.; SHANMUGAN, K.; DINSTEIN, I., “Textural features for image

classification”, IEEE Transactions on Systems, Man and Cybernetics, v. 3, n. 1, pp.

610-621, 1973.

HARALICK, R.M. “Statistical and structural approaches to texture”, Proceedings of the

IEEE , v. 67, n. 5, pp. 786-804, 1979.

HARALICK, R.M.; SHAPIRO, L.G. Image segmentation techniques. Machine Vision

International: Ann Arbor, 1984.

HOLT, B. SAR Imaging of Ocean Surface. Chapter 2 in Synthetic Aperture Radar

Marine User`s Manual, Organized by Jackson C. R. & Apel J. R., National Oceanic

and Atmospheric Administration – NOAA, 2004.

HOVLAND, H.; JOHANNESSEN, J.A.; DIGRANES, G. Slick detection in SAR images.

Proceedings of the Internationl Geoscience and Remote Sensing Symposium

(IGARSS’94), IEEE, Pisacataway, USA, pp. 2038 - 2040, 1994.

HUGHES, G. On the Mean Accuracy of Statistical Pattern Recognizers. IEEE

TRANSACTIONS Oh- INFORMATION THEORY, january, 1968

INDREGARD, M.; SOLBERG, A.; CLAYTON, P. D2-report on benchmarking oil spill

recognition approaches and best practice. Tech. rep., Oceanides project, European

Commission, Archive No. 04-10225-A-Doc, Contract No: EVK2-CT-2003-00177,

2004.

JAIN, A. K.; MURTY, M. N.; FLYN, P. J. Data Clustering: A Review. ACCM Computing

Surveys, Vol 31, No 3, September, 1999.

JAIN, A.. K.; DUBES, R. C. Algorithms for clustering data. Prentice-Hall, advanced

reference series. Prentice-Hall Inc., Upper saddle River,NJ, 1988.

JOHNSON, R.A.; WICHERN, D.W. Applied multivariate statistical analysis. 3 ed. New

Jersey, Prentice Hall, 1992.

KANAA, T.F.N.; TONYE, E.; MERCIER, G.; ONANA, V.P.; NGONO, J.M.; FRISON,

P.L.; RUDANT, J.P.; GARELLO, R. Geoscience and Remote Sensing

SymposiumIGARSS’03, 4 (21), 2750 – 2752, 2003.

188

KARANTZALOS, K.; ARGIALAS, D. Automatic detection and tracking of oil spills in

SAR imagery with level set segmentation, International Journal of Remote Sensing,

v.29 n.21, p.6281-6296, November, 2008.

KARATHANASSI, V.; TOPOUZELIS, K.; PAVLAKIS, P.; ROKOS, D. An object-oriented

methodology to detect oil spills. Int. J. Remote Sens. 27, 5235-5251, 2006.

KERAMITSOGLOU, I.; CARTALIS, C.; KIRANOUDIS, C. Automatic Identification of oil

spills on satellite images. Environmenthal Modelling & Software (21), pp 640-652,

2006.

KOTOVA, L. A.; ESPEDAL, H. A.; JOHANNESSEN, O. M. Oil spill detection using

spaceborne SAR; a brief review. Proc. 27th ISRSE, Tromsb, Norway, 1998.

KUBAT, M.; HOLTE, C.; MATWIN, S. Machine learning for detection of oil spills in

satellite Radar images, Machine Learning, vol.30, no 2-3, 195-215, 1998.

KURZ, L.; BENTEFTIFA, H. Analysis of variance in statistical image processing.

Cambridge: Cambridge University Press, 1997.

LEHMANN, E.L.; JOSEPH, P.; ROMANO. Testing Statistical Hypotheses (3E ed.).

New York: Springer, 2005.

LEE-LUENG, F.; HOLT, B. SeaSat Views Oceans and Sea Ice with Synthetic-Aperture

Radar. National Aeronautics and Space Administration Jet Propulsion Laboratory

(NASA), Califórnia -USA , 1982.

LEWIS, A. J.; HENDERSON, F. M. Radar Fundamentals: The Geoscience

Perspective. Chapter 3 in Principles & Applications of Imaging RADAR – Manual of

Remote Sensing, Volume 2 – edited by Henderson F. M. & Lewis A. J. John Wiley

& Sons, 1998.

LE MOIGNE, J.; TILTON, J.C. Refining image segmentation by integration of edge and

region data. IEEE Transactions on Geocience and Remote Sensing, v. 33, n. 3, p.

605-615, May, 1995.

LIMA, J.A.M.; SCOFANNO, A.M., “New oceanographic challenges in the Brazilian

deepwater oil fields”. In: Offshore Technology Conference – OTC, Huston, Texas,

May, 1999.

189

LIU, H.; SETIONO, R. "Chi2: Feature Selection and Discretization of Numeric

Attributes," Tools with Artificial Intelligence, IEEE International Conference on, pp.

388, Seventh International Conference on Tools with Artificial Intelligence, 1995.

LOPEZ, L.; MOCTEZUMA, M.; PARMIGGIANI, F. Oil Spill Detection Using GLCM and

MRF. IEEE, 2005, [online] <http://ieeexplore.ieee.org/iel5/10226/32597/

01526349.pdf arnumber=1526349>, acesso dezembro 2006.

LUCCA, E. V. D. Avaliação e comparação de algoritmos de segmentação de imagens

de radar abertura sintética. 207 p.Dissertação de Mestrado em Sensoriamento

Remoto) – Instituto Nacional de Pesquisas Espaciais, São José dos Campos,

1998.

LUCCA, E. V. D.; FREITAS, C.; FRERY, A. C.; ANNA, S. J.S.S. Comparison of SAR

Segmentation Algorithms. Anais IX Simpósio Brasileiro de Sensoriamento Remoto,

Santos,1998.

MACCANDLESSS, S. W.; JACKSON, C. R. Principles of Synthetic Aperture Radar.

Chapter 2 in Synthetic Aperture Radar Marine User`s Manual. Organized by

Jackson C. R. & Apel J. R. National Oceanic and Atmospheric Administration –

NOAA, 2004.

MANORE, M. J.; VACHON, P. W.; BJERKELUND, C.; EDEL, H. R.; RAMSAY, B.

Operational use of RADARSAT SAR in the coastal zone: The Canadian

experience. 27th International Symposium on Remote Sensing of the Environment,

Tromsø, Norway, June 8–12 (pp. 115– 118), 1998.

MARANGONI, C. Sul principio della viscositá superficiale dei liquidi stabilito. Nuevo

Cimento, ser. 2 (5/6), pp. 239.273, 1872.

MARGHANY, M. RADARSAT automatic algorithms for detecting coastal oil spill

pollution, Intern. J. Appl. Earth Observation and Geoinformation, Vol. 3, N 2, pp.

191-196 , 2001.

MEINEL, G.; NEUBERT, M. A comparison of segmentation programs for high

resolution remote sensing data. In: Proceedings International Society for

Photogrammetry and Remote Sensing 29 Congress, XX, (ISPRS), Istanbul, Turkey

- July – 2004.

190

MERCIER, G.; DERRODE, S.; PIECZYNSKI, W.; CAILLEC, J. -M. L.; GARELLO, R.

Multiscale oil slick segmentation with Markov Chain Model. Proc. IGARSS’03, vol. 6

(pp. 3501– 3503), 2003.

MERCIER, G.; ARDHUIN, G. Oil Slick Detection by SAR Imagery Using Kernel

Expansion, 2005a, [online] <http://perso.enst-bretagne.fr/~mercierg/articles/

2005/oceansSVM.pdf >, acesso janeiro 2007.

MERCIER, G.; ARDHUIN, G. Unsupervised Oil Slick Detection by SAR Imagery Using

Support Vector Machines, 2005b, [online] <http://perso.enst-bretagne.fr/

~mercierg/articles/2005/mercier.igarss05.pdf >, acesso janeiro 2007.

MIGLIACCIO, M.; TRANFAGLIA, M. Oil Spill Observation by SAR: A Review, Proc.

US-Baltic International Symposium, Klaipeda (Latva), June 2004.

MIRANDA, F. P.; MENDOZA, A.; PEDROSO, E. C. ; BEISL, C. H. ; WELGAN, P. ;

MORALES, L. M.. Analysis of RADARSAT-1 data for offshore monitoring activities

in the Cantarell Complex, Gulf of Mexico, using the unsupervised semivariogram

textural classifier (USTC). Canadian Journal of Remote Sensing, Ottawa, Ontario,

Canada, v. 30, n. 3, p. 424-436, 2004.

MONTALI, A.; GIACINTO, G.; MIGLIACCIO, M.; GAMBARDELLA, A. Supervised

Pattern Classification Techniques for Oil Spill Classification in SAR Images:

Preliminary Results. Proceedings of SEASAR, Frascati, Italy, 2006.

NAVULUR, K. Multispectral image analysis using the object-oriented paradigm. CRC

Press Taylor & Francis Group 6000 Broken Sound Parkway, London - New York,

2007.

NEUBERT, M.; HEROLD, H.; MEINEL, G. Evaluation of Remote Sensing Image

Segmentation Quality- Further results and Concepts,2006 – [online] <

http://www.commission4.isprs.org/obia06/Papers/10_Adaption%20and%20further%

20development%20II/OBIA2006_Neubert_Herold_Meinel.pdf >, acesso, março

2007.

NISBET, R. ; ELDER, J.; MINER, G. Handbook Of Statistical Analysis And Data Mining

Applications. Academic Press an imprint for Elsevier, USA, San Diego, California,

2009.

191

PEKKARINEN, A. A method for the segmentation of very high spatial resolution images

of forested landscapes. International Journal of Remote Sensing, v. 23, n. 14, p.

2817-2836, 2002.

PELIZZARI, S.; DIAS, J.M.B. Bayesian Adaptative Oil Spill Segmentation of SAR

Images Via Graph Cuts, 2003 [online] <http://earth.esa.int/workshops/seasar

2006/participants/ 256/paper_SoniaPelizzari_SEASAR2006_final.pdf >, acesso

março 2007.

PINHO, C. M. D. Análise Orientada a Objetos de Imagens de Satélite de Alta

Resolução Espacial Aplicada à Classificação de Cobertura do Solo no Espaço

Intra-Urbano: O Caso De São José Dos Campos – SP. Dissertação de mestrado

defendida no INPE, São José dos Campos, 2006.

PRATT, W. Digital Image Processing. New York Wiley-Interscience, 1991.

QUEGAN, S.; RYE, A.J.; HENDRY A.; SKINGLEY J..; ODDY C..J. Automatic

interpretation strategies for synthetic aperture radar images. Philosophical

Transactions of the Royal Society of London. A 324, p. 409-421, 1988.

RAMALHO, G.L.B.; MEDEIROS, F.N.S. Improving Reliability of Oil Spill Detection

Systems Using Boosting for High-Level Feature Selection. M. Kamel and A.

Campilho (Eds.): ICIAR 2007, LNCS 4633, pp. 1172–1181, 2007.

RANEY, K. R. Radar Fundamentals: Technical Perspective. Chapter 2 in Principles &

Applications of Imaging RADAR – Manual of Remote Sensing, Volume 2 – edited

by Henderson F. M. & Lewis A. J. John Wiley & Sons, 1998.

ROMÁN-ROLDÁN, R.; GÓMEZ-LOPERA, J. F.; ATAE-ALLAH, C; MARTÍNEZ-AROZA,

J.; LUQUE-ESCAMILLA, P. L. A measure of quality for evaluating methods of

segmentation and edge detection. Pattern Recognation., v.34, p:969-980, 2001.

SEASAR. Workshop, SEASAR 2010, entitled "Advances in SAR Oceanography from

ENVISAT, ERS and ESA third party missions", which will be hosted at ESA ESRIN

in Frascati, Italy, from 25 to 29 January 2010.

SCOFIELD, G. B.; SANT´ANNA, S. J. S.; FREITAS, C. C.; DUTRA, L. V.. Avaliação

quantitativa do SegSar através de medidas de borda e regiões em imagens ópticas

192

sintéticas. Anais - XIII Simpósio Brasileiro de Sensoriamento Remoto,

Florianópolis, Abril, 2007.

SCHMULLIUS, C.C.; EVANS, D. L. “Synthetic Aperture Radar (SAR) frequency and

polarization requirements for applications in ecology, hydrology, and oceanography:

A tabular status quo after SIR-C/X-SAR”, International Journal Remote Sensing, v.

18, n. 13, pp. 2713-2722, 1997.

SIEGAL, S. Estatística não paramétrica para as ciências do comportamento. São

Paulo, Mc Grow -Hill; 350p., 1975.

SILVA, M. P. S. Mineração de padrões de mudanças em imagens de sensoriamento

remoto. 2006-02-03. 128 p. (INPE-14429-TDI/1130). Tese de Doutorado - Instituto

Nacional de Pesquisas Espaciais, São José dos Campos, 2006.

SILVA, M. P. S.; CÂMARA, G.; SOUZA, R. C. M.; VALERIANO, D. M. ; ESCADA, M. I.

S. Mining Patterns of Change in Remote Sensing Image Databases. In The Fifth

IEEE International Conference on Data Mining, Houston, 2005.

SKØELV, A. H. S.; WAHL, T. Oil spill detection using satellite based SAR, Phase 1B

competition report. Technical report, Norwegian Defense Research Establishment,

1993.

SLOGGETT, D.; JORY, I., “Automatic satellite based oil slick detection and monitoring

system”. In: First Workshop on ERS-1 Pilot Projects, Toledo Spain, 1994.

SOLBERG, A. H. S; SOLBERG, R. A large-scale evaluation of features for automatic

detection of oil spills in ERS SAR images, Proceedings of the International

Geoscience and Remote Sensing Symposium (IGARSS’97), Lincon, IEEE,

Pisacataway, USA, pp.157-159, 1996.

SOLBERG, A. H. S; VOLDEN, E. Incorporation a prior knowledge in automatic

classification of oil spills in ERS SAR images, Proceedings of the International

Geoscience and Remote Sensing Symposium (IGARSS’96), Lincon, IEEE,

Pisacataway, USA, pp.1484-1486, 1997.

SOLBERG, A. H. S.; STORVIK, G.; SOLBERG, R.; VOLDEN, E. Automatic detection

of oil spills in ERS SAR images, IEEE Trans. on Geosc. and Remote Sensing, 37

(4), July, 1999.

193

SOLBERG, A. H. S.; DOKKEN, S.T.; SOLBERG, R. Automatic detection of oil spills in

Envisat, Radarsat and ERS SAR images, Proceedings of the International

Geoscience and Remote Sensing Symposium (IGARSS’2003), Toulouse, France,

IEEE, Pisacataway, USA, 2003.

SOLBERG, A.; CLAYTON, P.; INDREGARD, M. D2 – Report on benchmarking oil spill

recognition approaches and best practice. Kongsberg Satellite Services – Norway

Archive No.: 04-10225-A-Doc, Issue/Revision : 2.1, 2005.

SOLBERG, A. Automatic Oil Apill Detection Based on ENVISAT, RADARSAT and ERS

Images. Proceedings of the ENVISAT & ERS Symposium, Salzburg, Austria, ESA

SP-572, 2005a.

SOLBERG, A. Automatic Detection and Estimating Confidence For Oil Spill Detection

in SAR Images. 2005b.

SOH, L.K.; TSATSOULIS, C. Segmentation of satellite imagery of natural scenes using

data mining. IEEE Transactions on Geoscience and Remote Sensing, v. 37, n. 2, p.

1086, 1999.

SOUSA Jr, M. A. Segmentação multi-níveis e multi-modelos para imagens de radar e

ópticas. Tese de Doutorado em Computação Aplicada. Instituto Nacional de

Pesquisas Espaciais, São José dos Campos, 2005.

SOUSA Jr, M. A.; DUTRA, L. V.; FREITAS, C.C. Segmentação de Imagens JERS e

TM/Landsat usando o Segmentador Icremental Multi-níveis SegSAR. Anais

XIISimpósio Brasileiro de Sensoriamento Remoto, Goiânia - Brasil, 2005.

STAPLES, G.C.; HODGINS, D.O. RADARSAT-1 emergency response for oil spill

monitoring. Proceedings of Fifth International Conference on Remote Sensing for

Marine and Coastal Environments, CA./USA, October, 1998.

STATHAKIS, D.; TOPOUZELIS, K.; KARATHANASSI, V. Large-scale feature selection

using evolved neural networks. In Proceedings of SPIE, Image and Signal

Processing for Remote Sensing XII, Bruzzone, Lorenzo Ed.; SPIE Bellingham

Wash. ETATS-UNIS: Stockholm, Sweden, September 13-14, p. 6365, 2006.

STATISTICA Data Analysis Software System, versão 8.0, Statsoft

Inc.<www.statsoft..com>, 2007.

194

TELO, M.; LÓPEZ, M. C.; MALLORQUI, J. J. A Novel Algorithm for Automatic Ship and

Oil Spill Detection Based on Time-Frequency Methods, 2006 – [online] <

http://earth.esa.int/workshops/seasar2006/proceedings/papers/s5_16_tel.pdf>,

acesso abril, 2007.

TILTON, J.; LAWRENCE, W. Interactive analysis of hierarchical image segmentation.

In: International Geoscience and Remote Sensing Symposium IGARSS-2000, New

York. IEEE Press, 2000.

TOPOUZELIS, K.; KARATHANASSI, VC.; PAVLAKIS, P.; ROKOS, D. Oil Spill

Detection: SAR Multiscale Segmentation and Objects features Evaluation.

Proceedings of SPIE, Vol 4880, 2003.

TOPOUZELIS K.; KARATHANASSI, V.; PAVLAKIS, P.; ROKOS, D. Oil spill detection

using RBF Neural Networks and SAR data, XXth ISPRS Congress, Istanbul,

Turkey, July, 2004.

TOPOUZELIS K.; KARATHANASSI, V.; PAVLAKIS, P.; ROKOS, D. Detection and

discrimination between oil spills and look-alike phenomena through neural

networks, ISPRS J. Photogrammetry Rem. Sens., Vol. 62, N 9A, pp. 264-270,

2007a.

TOPOUZELIS K.; KARATHANASSI, V.; PAVLAKIS, P.; ROKOS, D. Oil Spill Detection

Using RBF Neural Networks and SAR Data. 2004, [online]

<http://www.isprs.org/istanbul2004 /comm7/papers/142.pdf>, acesso março,

2007b.

TOPOUZELIS, K.N.. Oil spill detection by SAR images: Dark formation detection,

feature extraction and classification algorithms, Sensors, Vol. 8, N 10, pp. 6642-

6659, DOI: 10.3390/s8106642 , 2008.

TOPOUZELIS, K.; STATHAKIS, D.; KARATHANASSI, V. Investigation of genetic

algorithms contribution to feature selection for oil spill detection, Intern. J. Rem.

Sens., Vol. 30, N 3, pp. 611-625, 2009.

VACHON, P. W., THOMAS, S. J., CRANTON, J. A., BJERKELUND, C., DOBSON, F.

W., OLSEN, R. B. Monitoring the coastal zone with the RADARSAT satellite.

Oceanology International 98, UK, March 10–13, 10 pages, 1998.

195

VACHON, P. W.; WOLFE, J.; HAWKINS, R. K. The Impact of RADARSAT ScanSAR

Image Quality on Ocean Wind Retrieval. SAR Workshop: CEOS Committee on

Earth Observation Satellites; Working Group on Calibration and Validation,

Proceedings of a Conference held 26-29 October 1999, Toulouse, France. Edited

by Robert A. Harris and L. Ouwehand. Publisher: Paris: European Space Agency,

ESA-SP vol. 450, ISBN: 9290926414, p.519, 2000.

VALENZUELA, G.R. “Theories for the interaction of electromagnetic and ocean waves

– A review”, Boundary Layer Meteorology., v. 13, pp. 61-85 , 1978.

VAPNIK, V. N., “An overview of statistical learning theory”, IEEE Transactions on

Neural Networks, v. 10, n. 5, pp. 988–999, 1999.

WEISTEEN, K.; SOLBERG, A.; SOLBERG, R. “Detection of oil spills in SAR images

using a statistical classification scheme”. In: Proceedings of the International

Geoscience and Remote Sensing Symposium (IGARSS’93), Tokyo, IEEE,

Pisacataway, USA, pp. 943-945, 1993.

WISHART, D. Focal Point Clustering User Guide. Published by Clustan limited,

Edinburgh Road, Scotland, Second Edition, 2004.

WISMANN, V.; GADE, M.; ALPERS, W.; HÜHNERFUSS, W H. “Radar signatures of

marine mineral oil spills measured by an airborne multi-frequency radar”,

International Journal of Remote Sensing, v. 19, n. 18, pp. 3607-3623, 1998.

WU, S.; FLACH, P. A. Feature selection with labelled and unlabelled data.

ECML/PKDD'02 workshop on Integration and Collaboration Aspects of Data Mining,

Decision Support and Meta-Learning. M. Bohanec, B. Kasek, N. Lavrac, D.

Mladenic, (eds.), pp. 156–167. August, 2002.

ZHANG, Y.J. A survey on evaluation methods for image segmentation. Pattern

Recognition, v. 29, n. 8, p. 1335-1346, 1996.

ZHENG, Y.; DONG, H.; JIANG, Q.; Li, J. A modified FCM-Based algorithm for oil spill

detection in SAR images. Environmental Informatics Archieves, Vol 3, pp 346-351,

2005.

ZUCKER, S. W. Region growing: childhood and adolescence. Computer Graphics and

Image Processing, 15, 382-399, 1976.

196

APÊNDICE I

Fluxograma: Métodos e Algoritmos utilizados para a Detecção de Óleo e

Assemelhados

197

APÊNDICE II

Tabela 1: Métricas calculadas para o teste efetuado com todos os filtros testados na

etapa de pré-processamento.

198

APÊNDICE III

Análise de Matriz de Correlação dos Atributos em Relação ao Phanton

(A): Atributos Espectrais - Estatísticos

Tabela 1 – Matriz de Correlação dos Atributos Estatísticos em relação ao atributo da

Classe do Phanton: Recorte de Cena 1

Tabela 2 – Matriz de Correlação dos Atributos Estatísticos em relação ao atributo da

Classe do Phanton: Recorte de Cena 2

Tabela 3 – Matriz de Correlação dos Atributos Estatísticos em relação ao atributo da

Classe do Phanton: Recorte de Cena 3

199

Tabela 4 – Matriz de Correlação dos Atributos Estatísticos em relação ao atributo da

Classe do Phanton: Recorte de Cena 4

Tabela 5 – Matriz de Correlação dos Atributos Estatísticos em relação ao atributo da

Classe do Phanton: Recorte de Cena 5

Tabela 6 – Matriz de Correlação dos Atributos Estatísticos em relação ao atributo da

Classe do Phanton: Recorte de Cena 6

200

Tabela 7 – Matriz de Correlação dos Atributos Estatísticos em relação ao atributo da

Classe do Phanton: Recorte de Cena 7

Tabela 8 – Matriz de Correlação dos Atributos Estatísticos em relação ao atributo da

Classe do Phanton: Recorte de Cena 8

Tabela 9 – Matriz de Correlação dos Atributos Estatísticos em relação ao atributo da

Classe do Phanton: Recorte de Cena 9

201

Tabela 10 – Matriz de Correlação dos Atributos Estatísticos em relação ao atributo da

Classe do Phanton: Recorte de Cena 10

Tabela 11 – Matriz de Correlação dos Atributos Estatísticos em relação ao atributo da

Classe do Phanton: Recorte de Cena 11

(B): Atributos de Forma - Genéricos e Poligonais

Tabela 1 – Matriz de Correlação dos Atributos de Forma (Genéricos e Poligonais) em

relação ao atributo da Classe do Phanton: Recorte de Cena 1

202

Tabela 2 – Matriz de Correlação dos Atributos de Forma (Genéricos e Poligonais) em

relação ao atributo da Classe do Phanton: Recorte de Cena 2

Tabela 3 – Matriz de Correlação dos Atributos de Forma (Genéricos e Poligonais) em

relação ao atributo da Classe do Phanton: Recorte de Cena 3

Tabela 4 – Matriz de Correlação dos Atributos de Forma (Genéricos e Poligonais) em

relação ao atributo da Classe do Phanton: Recorte de Cena 4

203

Tabela 5 – Matriz de Correlação dos Atributos de Forma (Genéricos e Poligonais) em

relação ao atributo da Classe do Phanton: Recorte de Cena 5

Tabela 6 – Matriz de Correlação dos Atributos de Forma (Genéricos e Poligonais) em

relação ao atributo da Classe do Phanton: Recorte de Cena 6

Tabela 7 – Matriz de Correlação dos Atributos de Forma (Genéricos e Poligonais) em

relação ao atributo da Classe do Phanton: Recorte de Cena 7

204

Tabela 8 – Matriz de Correlação dos Atributos de Forma (Genéricos e Poligonais) em

relação ao atributo da Classe do Phanton: Recorte de Cena 8

Tabela 9 – Matriz de Correlação dos Atributos de Forma (Genéricos e Poligonais) em

relação ao atributo da Classe do Phanton: Recorte de Cena 9

Tabela 10 – Matriz de Correlação dos Atributos de Forma (Genéricos e Poligonais) em

relação ao atributo da Classe do Phanton: Recorte de Cena 10

205

Tabela 11 – Matriz de Correlação dos Atributos de Forma (Genéricos e Poligonais) em

relação ao atributo da Classe do Phanton: Recorte de Cena 11

(C): Atributos Forma – Skeletons

Tabela 1 – Matriz de Correlação dos Atributos de Forma (Skeletons) em relação ao

atributo da Classe do Phanton: Recorte de Cena 1

Tabela 2 – Matriz de Correlação dos Atributos de Forma (Skeletons) em relação ao

atributo da Classe do Phanton: Recorte de Cena 2

206

Tabela 3 – Matriz de Correlação dos Atributos de Forma (Skeletons) em relação ao

atributo da Classe do Phanton: Recorte de Cena 3

Tabela 4 – Matriz de Correlação dos Atributos de Forma (Skeletons) em relação ao

atributo da Classe do Phanton: Recorte de Cena 4

Tabela 5 – Matriz de Correlação dos Atributos de Forma (Skeletons) em relação ao

atributo da Classe do Phanton: Recorte de Cena 5

Tabela 6 – Matriz de Correlação dos Atributos de Forma (Skeletons) em relação ao

atributo da Classe do Phanton: Recorte de Cena 6

207

Tabela 7 – Matriz de Correlação dos Atributos de Forma (Skeletons) em relação ao

atributo da Classe do Phanton: Recorte de Cena 7

Tabela 8 – Matriz de Correlação dos Atributos de Forma (Skeletons) em relação ao

atributo da Classe do Phanton: Recorte de Cena 8

Tabela 9 – Matriz de Correlação dos Atributos de Forma (Skeletons) em relação ao

atributo da Classe do Phanton: Recorte de Cena 9

Tabela 10 – Matriz de Correlação dos Atributos de Forma (Skeletons) em relação ao

atributo da Classe do Phanton: Recorte de Cena 10

208

Tabela 11 – Matriz de Correlação dos Atributos de Forma (Skeletons) em relação ao

atributo da Classe do Phanton: Recorte de Cena 11

(D): Atributos Texturais - Haralick

Tabela 1 – Matriz de Correlação dos Atributos Texturais (Haralick) em relação ao

atributo da Classe do Phanton: Recorte de Cena 1

Tabela 2 – Matriz de Correlação dos Atributos Texturais (Haralick) em relação ao

atributo da Classe do Phanton: Recorte de Cena 2

209

Tabela 3 – Matriz de Correlação dos Atributos Texturais (Haralick) em relação ao

atributo da Classe do Phanton: Recorte de Cena 3

Tabela 4 – Matriz de Correlação dos Atributos Texturais (Haralick) em relação ao

atributo da Classe do Phanton: Recorte de Cena 4

Tabela 5 – Matriz de Correlação dos Atributos Texturais (Haralick) em relação ao

atributo da Classe do Phanton: Recorte de Cena 5

210

Tabela 6 – Matriz de Correlação dos Atributos Texturais (Haralick) em relação ao

atributo da Classe do Phanton: Recorte de Cena 6

Tabela 7 – Matriz de Correlação dos Atributos Texturais (Haralick) em relação ao

atributo da Classe do Phanton: Recorte de Cena 7

Tabela 8 – Matriz de Correlação dos Atributos Texturais (Haralick) em relação ao

atributo da Classe do Phanton: Recorte de Cena 8

211

Tabela 9 – Matriz de Correlação dos Atributos Texturais (Haralick) em relação ao

atributo da Classe do Phanton: Recorte de Cena 9

Tabela 10 – Matriz de Correlação dos Atributos Texturais (Haralick) em relação ao

atributo da Classe do Phanton: Recorte de Cena 10

Tabela 11 – Matriz de Correlação dos Atributos Texturais (Haralick) em relação ao

atributo da Classe do Phanton: Recorte de Cena 11

212

APÊNDICE IV:

Análise de Componentes Principais

Tabela 1 - Autovalores, Número de Autovalores, Variância Total e Acumulada em

Porcentagem, Autovalores Acumulados e o Percentual de Ganho referente a Inserção

das Variáveis no Modelo: Recorte de Cena 1

213

Tabela 2 - Autovalores, Número de Autovalores, Variância Total e Acumulada em

Porcentagem, Autovalores Acumulados e o Percentual de Ganho referente a Inserção

das Variáveis no Modelo: Recorte de Cena 2

214

Tabela 3 - Autovalores, Número de Autovalores, Variância Total e Acumulada em

Porcentagem, Autovalores Acumulados e o Percentual de Ganho referente a Inserção

das Variáveis no Modelo: Recorte de Cena 3

215

Tabela 4 - Autovalores, Número de Autovalores, Variância Total e Acumulada em

Porcentagem, Autovalores Acumulados e o Percentual de Ganho referente a Inserção

das Variáveis no Modelo: Recorte de Cena 4

216

Tabela 5 - Autovalores, Número de Autovalores, Variância Total e Acumulada em

Porcentagem, Autovalores Acumulados e o Percentual de Ganho referente a Inserção

das Variáveis no Modelo: Recorte de Cena 5

217

Tabela 6 - Autovalores, Número de Autovalores, Variância Total e Acumulada em

Porcentagem, Autovalores Acumulados e o Percentual de Ganho referente a Inserção

das Variáveis no Modelo: Recorte de Cena 6

218

Tabela 7 - Autovalores, Número de Autovalores, Variância Total e Acumulada em

Porcentagem, Autovalores Acumulados e o Percentual de Ganho referente a Inserção

das Variáveis no Modelo: Recorte de Cena 7

219

Tabela 8 - Autovalores, Número de Autovalores, Variância Total e Acumulada em

Porcentagem, Autovalores Acumulados e o Percentual de Ganho referente a Inserção

das Variáveis no Modelo: Recorte de Cena 8

220

Tabela 9 - Autovalores, Número de Autovalores, Variância Total e Acumulada em

Porcentagem, Autovalores Acumulados e o Percentual de Ganho referente a Inserção

das Variáveis no Modelo: Recorte de Cena 9

221

Tabela 10 - Autovalores, Número de Autovalores, Variância Total e Acumulada em

Porcentagem, Autovalores Acumulados e o Percentual de Ganho referente a Inserção

das Variáveis no Modelo: Recorte de Cena 10

222

Tabela 11 - Autovalores, Número de Autovalores, Variância Total e Acumulada em

Porcentagem, Autovalores Acumulados e o Percentual de Ganho referente a Inserção

das Variáveis no Modelo: Recorte de Cena 11

223

APÊNDICE V:

Seleção de Atributos pelo Método Chi-Quadrado

Tabela 1 – Ranking dos atributos indicados pelo Chi-Quadrado como mais

representativos em relação à Classe do Phanton: Recorte de Cena 1

224

Tabela 2 – Ranking dos atributos indicados pelo Chi-Quadrado como mais

representativos em relação à Classe do Phanton: Recorte de Cena 2

225

Tabela 3 – Ranking dos atributos indicados pelo Chi-Quadrado como mais

representativos em relação à Classe do Phanton: Recorte de Cena 3

226

Tabela 4 – Ranking dos atributos indicados pelo Chi-Quadrado como mais

representativos em relação à Classe do Phanton: Recorte de Cena 4

227

Tabela 5 – Ranking dos atributos indicados pelo Chi-Quadrado como mais

representativos em relação à Classe do Phanton: Recorte de Cena 5

228

Tabela 6 – Ranking dos atributos indicados pelo Chi-Quadrado como mais

representativos em relação à Classe do Phanton: Recorte de Cena 6

229

Tabela 7 – Ranking dos atributos indicados pelo Chi-Quadrado como mais

representativos em relação à Classe do Phanton: Recorte de Cena 7

230

Tabela 8 – Ranking dos atributos indicados pelo Chi-Quadrado como mais

representativos em relação à Classe do Phanton: Recorte de Cena 8

231

Tabela 9 – Ranking dos atributos indicados pelo Chi-Quadrado como mais

representativos em relação à Classe do Phanton: Recorte de Cena 9

232

Tabela 10 – Ranking dos atributos indicados pelo Chi-Quadrado como mais

representativos em relação à Classe do Phanton: Recorte de Cena 10

233

Tabela 11 – Ranking dos atributos indicados pelo Chi-Quadrado como mais

representativos em relação à Classe do Phanton: Recorte de Cena 11

234

Figura 1; Ranking da importância indicado pelo Chi-Quadrado para os 36 atributos,

efetuado para as 11 cenas.

Queda gradativa da

importância

Queda acentuada

da importância

Queda acentuada

da importância

Queda acentuada

da importância

Queda acentuada

da importância

Maior importância

concentrada nos 5

primeiros indicados

Maior importância

concentrada nos 4

primeiros indicados

Maior importância

concentrada nos 6

primeiros indicados

Maior importância

concentrada nos 4

primeiros indicados

Maior importância

concentrada nos 5

primeiros indicados

235

0,00

0,25

0,50

0,75

1,00

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

Atributos

% Acumulado

Cena 1 Cena 2 Cena 3 Cena 4 Cena 5 Cena 6

Cena 7 Cena 8 Cena 9 Cena 10 Cena 11

Queda acentuada

da importância

Maior importância

concentrada nos 2

primeiros indicados

Queda acentuada

da importância

Maior importância

concentrada nos 5

primeiros indicados

Queda acentuada

da importância

Maior importância

concentrada nos 5

primeiros indicados

Queda acentuada

da importância

Maior importância

concentrada nos 5

primeiros indicados

Queda acentuada

da importância

Maior importância

concentrada nos 5

primeiros indicados

Livros Grátis
( http://www.livrosgratis.com.br )
 
Milhares de Livros para Download:
 
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas

Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
 
 