O aumento da expectativa de vida, associado a hábitos menos saudáveis da população, faz com que a probabilidade de desenvolvimento de algum tipo de tumor aumente. Por isso, o câncer tem se tornado cada vez mais um problema importante em saúde pública. Os métodos atualmente empregados para a detecção não são eficientes para um diagnóstico rápido e preciso, levando à busca de novas técnicas. A utilização de imagens ópticas têm se mostrado uma boa alternativa, para a realização de um diagnóstico precoce. Neste trabalho, apresentamos um sistema de imagem de campo amplo para detecção óptica de alterações teciduais, baseado em fluorescência e refletância. O desenvolvimento do sistema de imagem envolve tanto a montagem do protótipo como a proposta de um processamento das imagens adquiridas. Para a aquisição das imagens de fluorescência e refletância foi construído um sistema que utiliza uma câmera CCD colorida de alta resolução, juntamente com uma fonte de iluminação baseada em Diodos Emissores de Luz (LEDs). Para as imagens de fluorescência, utilizou-se um LED emitindo em 400 nm, juntamente com um filtro óptico, para obtenção apenas do sinal de fluorescência. As imagens de refletância foram feitas em cinco regiões: UV; azul; verde; vermelho e luz branca. Com a aquisição dessas imagens é possível formar uma imagem multiespectral da região analisada, sendo que cada tipo de imagem fornece uma informação diferente sobre o tecido analisado. Para a determinação de regiões que apresentam características ópticas distintas, utilizou-se o algoritmo k-means, que através do cálculo da distância geométrica entre as amostras, separa regiões opticamente distintas. Para a validação do sistema, foi utilizado um modelo in vivo, através da indução de lesões de pele por exposição a raios UV em camundongos hairless. Para formar a imagem multiespectral de uma lesão, foram adquiridas a imagem de fluorescência e as cinco imagens de refletância nas diferentes regiões. Para completar a imagem multiespectral, uma imagem da razão entre as componentes vermelha e verde da imagem de fluorescência foi adicionada, pois durante o desenvolvimento de uma lesão neoplásica, há uma alteração nessa proporção. A utilização de diferentes tipos de imagem permite um aumento do contraste na discriminação entre diferentes regiões. Através da utilização de fluorescência e refletância para a formação de imagens multiespectrais e de um processamento de imagens, foi possível delimitar áreas opticamente diferentes, resultado importante para a detecção e delineamento da lesão. / The increase of life expectancy associated to healthless habits results in a higher probability of tumor development. In this sense, cancer has been increasingly considered an important health public concern. The conventional methods for cancer detection are not efficient for the acquisition of a fast and precise diagnostics. In this study we present a widefield imaging system for optical detection of tissue changes based on fluorescence and reflectance. The development of the imaging system involves the device assembly as well as a proposed image processing. For the acquisition of fluorescence and reflectance images a system with a high resolution color CCD camera together with LED-based light source was built. A LED emitting at 400 nm and an optical filter were used for fluorescence imaging. The reflectance images were acquired at five spectral intervals: UV, blue, green, red, and white. After the acquisition of this set of images it is possible to merge a multispectral image of the target tissue, where each image type provides distinct information from the investigated sample. For the determination of the regions that present different optical characteristics, a k-means algorithm was used. An in vivo animal model of UV-induced skin lesions at hairless mice was used for system validation. In order to obtain the multispectral image of a lesion, a fluorescence image and five reflectance images were acquired. To complete the multispectral image, an image of the ratio of the red to green components of fluorescence image was added, because during malignant development a change of this ratio is observed. The use of different image types allows the increase of the discrimination contrast of distinct regions after an image processing it was possible to discriminate optically different regions, a result that is relevant for lesion detection and delimitation.

O aumento da expectativa de vida, associado a hábitos menos saudáveis da população, faz com que a probabilidade de desenvolvimento de algum tipo de tumor aumente. Por isso, o câncer tem se tornado cada vez mais um problema importante em saúde pública. Os métodos atualmente empregados para a detecção não são eficientes para um diagnóstico rápido e preciso, levando à busca de novas técnicas. A utilização de imagens ópticas têm se mostrado uma boa alternativa, para a realização de um diagnóstico precoce. Neste trabalho, apresentamos um sistema de imagem de campo amplo para detecção óptica de alterações teciduais, baseado em fluorescência e refletância. O desenvolvimento do sistema de imagem envolve tanto a montagem do protótipo como a proposta de um processamento das imagens adquiridas. Para a aquisição das imagens de fluorescência e refletância foi construído um sistema que utiliza uma câmera CCD colorida de alta resolução, juntamente com uma fonte de iluminação baseada em Diodos Emissores de Luz (LEDs). Para as imagens de fluorescência, utilizou-se um LED emitindo em 400 nm, juntamente com um filtro óptico, para obtenção apenas do sinal de fluorescência. As imagens de refletância foram feitas em cinco regiões: UV; azul; verde; vermelho e luz branca. Com a aquisição dessas imagens é possível formar uma imagem multiespectral da região analisada, sendo que cada tipo de imagem fornece uma informação diferente sobre o tecido analisado. Para a determinação de regiões que apresentam características ópticas distintas, utilizou-se o algoritmo k-means, que através do cálculo da distância geométrica entre as amostras, separa regiões opticamente distintas. Para a validação do sistema, foi utilizado um modelo in vivo, através da indução de lesões de pele por exposição a raios UV em camundongos hairless. Para formar a imagem multiespectral de uma lesão, foram adquiridas a imagem de fluorescência e as cinco imagens de refletância nas diferentes regiões. Para completar a imagem multiespectral, uma imagem da razão entre as componentes vermelha e verde da imagem de fluorescência foi adicionada, pois durante o desenvolvimento de uma lesão neoplásica, há uma alteração nessa proporção. A utilização de diferentes tipos de imagem permite um aumento do contraste na discriminação entre diferentes regiões. Através da utilização de fluorescência e refletância para a formação de imagens multiespectrais e de um processamento de imagens, foi possível delimitar áreas opticamente diferentes, resultado importante para a detecção e delineamento da lesão. / The increase of life expectancy associated to healthless habits results in a higher probability of tumor development. In this sense, cancer has been increasingly considered an important health public concern. The conventional methods for cancer detection are not efficient for the acquisition of a fast and precise diagnostics. In this study we present a widefield imaging system for optical detection of tissue changes based on fluorescence and reflectance. The development of the imaging system involves the device assembly as well as a proposed image processing. For the acquisition of fluorescence and reflectance images a system with a high resolution color CCD camera together with LED-based light source was built. A LED emitting at 400 nm and an optical filter were used for fluorescence imaging. The reflectance images were acquired at five spectral intervals: UV, blue, green, red, and white. After the acquisition of this set of images it is possible to merge a multispectral image of the target tissue, where each image type provides distinct information from the investigated sample. For the determination of the regions that present different optical characteristics, a k-means algorithm was used. An in vivo animal model of UV-induced skin lesions at hairless mice was used for system validation. In order to obtain the multispectral image of a lesion, a fluorescence image and five reflectance images were acquired. To complete the multispectral image, an image of the ratio of the red to green components of fluorescence image was added, because during malignant development a change of this ratio is observed. The use of different image types allows the increase of the discrimination contrast of distinct regions after an image processing it was possible to discriminate optically different regions, a result that is relevant for lesion detection and delimitation.

O uso de imagens provenientes de sensores remotos, tal como sistemas acoplados em aviões e satélites, é cada vez mais frequente, uma vez que permite o monitoramento continuo e periódico ao longo do tempo por meio de diversas observações de uma mesma região, por vezes ampla ou de difícil acesso. Essa ferramenta tem se mostrado importante e significativa em aplicações como o mapeamento de solo e fronteiras; acompanhamento de áreas de desmatamento, queimadas e de produção agrícola. Para gerar resultados interpretáveis ao usuário final, essas imagens devem ser processadas. Atualmente, o método de classificação por máxima verossimilhança é o mais empregado para classificação de imagens multiespectrais de sensores remotos, entretanto, por se tratar de uma técnica supervisionada, seus resultados dependem extensivamente da qualidade do conjunto de treinamento, utilizado para definir os parâmetros do método. A seleção de um bom conjunto de treinamento é um processo custoso e inviabiliza a automação da classificação para diversas imagens. O método de classificação por máxima verossimilhança é também paramétrico e portanto exitem algumas suposições quanto a distribuição dos dados que devem ser atendidas, caso contrário a aplicação do método pode gerar resultados ruins. Tendo em vista essas desvantagens do método da máxima verossimilhança, este trabalho propõe um novo método para a classificação de imagens multiespectrais provenientes de sensores remotos de forma que o procedimento seja autônomo, veloz e preciso, minimizando dessa forma os possíveis erros humanos inseridos em etapas intermediárias do processo, tal como a definição de conjuntos de treinamento. O método aqui proposto pertence ao conjunto das redes neurais artificiais (RNAs) e é denominado growing neural gas (GNG). Este método baseia-se no aprendizado não supervisionado de padrões \"naturais\" dentro de um conjunto de dados por meio da criação e adaptação de uma rede mínima de neurônios. Os resultados gerados a partir da classificação pela RNA foram comparados com os métodos mais utilizados na literatura atual, sendo eles o método da máxima verossimilhança e o método k-means. A partir da biblioteca espectral ASTER, mantida e criada parcialmente pela NASA, foram realizadas várias repetições do experimento, que consiste em classificar os dados de acordo com as diferentes classes existentes, e para cada uma destas repetições calculou-se uma medida de acurácia, denominada índice kappa, além do tempo de execução de cada método, de forma que suas médias foram comparadas via intervalo de confiança gerados por bootstrap não paramétrico. Também investigou-se como a análise de componentes principais (ACP), técnica utilizada para reduzir a dimensão dos dados e consequentemente o custo computacional, pode influenciar no desempenho dos métodos, tanto em sua qualidade de classificação quanto em relação ao tempo de execução. Os resultados mostram que o método proposto é superior nos dois aspectos estudados, acurácia e tempo de execução, para a maioria dos fatores aplicados. Mostra-se ainda um exemplo de aplicação prática em que uma imagem multiespectral de satélite não satisfaz as pré-suposições estabelecidas para o uso do método da máxima verossimilhança e verifica-se a diferença entre os métodos com relação a qualidade final da imagem classificada. / The use of images from remote sensors, such as coupled systems in airplanes and satellites, are increasingly being used because they allow continuous and periodic surveillance over time through several observations of some particular area, sometimes large or difficult to access. This sort of image has shown an important and meaningful participation in applications such as soil and borders mapping; surveillance of deforestation, forest fires and agricultural production areas. To generate interpretable results to the end user, these images must be processed. Currently, the maximum likelihood classification method is the most used for multispectral image classification of remote sensing, however, because it is a supervised technique, the results depend extensively on the quality of the training set, used to define the parameters of the method. Selecting a good training set is a costly process and prevents the automation of classification for different images. The maximum likelihood classification method is also parametric, and therefore, some assumptions about the distribution of the data must be met, otherwise the application of the method can generate bad results. In view of these disadvantages of the maximum likelihood method, this dissertation proposes a new, autonomous, fast and accurate method for multispectral remote sensing imagery classification thereby minimizing the possible human errors inserted at intermediate stages of the process, such as the definition of training sets. The method proposed here belongs to the set of artificial neural networks (ANN) and is called growing neural gas (GNG). This method is based on unsupervised learning of \"natural\" patterns in a dataset through the creation and adaptation of a minimum network of neurons. The results generated from the classification by ANN were compared with the most commonly used methods in the literature: the maximum likelihood method and the k-means method. From the spectral library Aster, maintained and made in part by NASA, several replications of the experiment were made, which is to classify the data according to different preestablished classes, and a measure of accuracy called kappa index was calculated for each of the replicates, in addition to the execution time of each method, so that their means were compared via confidence interval generated by nonparametric bootstrap. It was additionally investigated how principal component analysis (PCA), technique which reduces dimension of data and consequently the computational cost, can influence the performance of methods, both in its quality rating and runtime. The results show that the proposed method is superior in both aspects studied, accuracy and runtime, for the majority of applied factors. Furthermore, it is shown an example of a practical application in which a multispectral satellite image does not necessarily meet the established assumptions for using the maximum likelihood method, and there is a difference between the methods, regarding to its final classified image quality.

The necessity to identify objects in the ground constituted by several types of materials became a challenge to the remote sensing researchers. This situation promoted new researches about sensors development and stimulated the improvement and the creation of new techniques and tools that assist in characterization of the targets. Following this necessity this research was developed with the objective of characterize urban targets in multispectral images, by means multivariated statistical analysis and supported by ground spectroradiometry. It was used the sensor MSS EPS A 31T, the spectroradiometer FieldSpec Pro FR and the softwares R 2.7 and ERDAS 8.7. It was realized a sensing in a continuous strip over the Federal University of Santa Maria RS in three distinct schedules, at 12:00 pm HBV and 04:00 pm HBV in 17/12/2008 and at 09:00 am HBV in 27/12/2007. The MSS sensor was operated from the R-99B, a FAB aircraft, on 31 channels mode, in the spectral interval of 0,42μm and 12,5μm and space resolution of 2,5m. parallel to the flight it was realized the reading of the radiation reflected by the targets on ground using the spectroradiometer, which operate in the continuous interval from 0,35 μm to 2,5 μm. A methodology allied with the photo interpretation is the analytic statistic, therefore with the technological evolution it became to associate the panchromatic aerial photographic with multispectrals images. The data obtained in the research were recorded and treated in their respective interfaces and converted to mains. The MSS 3 digital values were rejected from the research because of treatment incompatibility. Initially it was made the analysis of the main components, identifying the three main components (MSS sensor channels 7, 3 and 30), answering them for 99,947% and 99,948% of the originals variables variability to MSS 1 and MSS 2 respectively. From that was generated a high contrast image among the constituent materials of the proposed targets. The wavelength intervals of the three main components were retaken to mains structuring to the execution of the regression analysis. The main components were linked with the ground spectroradiometry realized readings, in their respective spectral intervals. The regression coefficients found had answered respectively for 76,99% of the MSS1 depended variables variability and 85,40% of the MSS 2. These percentages had expressed a better adjust in the second regression and in a smaller variability of the residual errors. The residual error s median to MSS 1 was - 0,2869 and to MSS 2 was 0,0851. The model validity verification was executed with the application of the variance analysis (ANOVA) that showed in F test the values: MSS 1= 66,91 e MSS 2 = 116,99. As the values of Ftab (F 5%;3;60) is equal 2,76, it is noticed that the values of Fcalc is bigger than Ftab , (Fcalc > Ftab), to both analysis. Through the obtained results it is concluded that the employed methodology is valid to characterize the proposed targets and the model contribute to distinguish among them in the MSS image analysis. / A necessidade de identificar objetos no solo constituídos por diversificados tipos de materiais tornou-se um desafio aos pesquisadores na atividade de sensoriamento remoto. Esta situação alavancou novas pesquisas na área de desenvolvimento de sensores e estimulou o aprimoramento e criação de novas técnicas e ferramentas que auxiliem na caracterização dos alvos. Acompanhando esta necessidade foi desenvolvida esta pesquisa, com o objetivo de caracterizar alvos urbanos em imagens multiespectrais, por meio de estatística multivariada, apoiado em espectroradiometria de solo. Foi utilizado o Sensor MSS EPS-A 31T, o espectroradiômetro FieldSpec Pro FR e os softwares R 2.7© e ERDAS 8.7®. Foi realizado o sensoriamento em uma faixa contínua sobre a Universidade Federal de Santa Maria-RS em três horários distintos, as 12:00HBV (MSS1) e 16:00HBV (MSS2) do dia 17/12/2007 e as 09:00HBV (MSS3) do dia 27/12/2007. O sensor MSS foi operado na aeronave R-99B, no modo 31 canais no intervalo espectral entre 0,42μm a 12,5μm, com uma resolução espacial de 2,5m. Paralelo ao vôo foi efetuado a leitura da radiação refletida pelos alvos no solo com o espectroradiômetro que opera na faixa de 0,35μm a 2,5μm. Uma metodologia que se alia a fotointerpretação é a da estatística analítica, pois com a evolução tecnológica passou-se a associar fotografias aéreas pancromáticas e imagens multiespectrais. Os dados gerados na pesquisa foram transferidos e convertidos em matrizes de dados. Os valores digitais de MSS3 foram descartados do trabalho por incompatibilidade no tratamento. Inicialmente foi executada a análise de componentes principais identificando-se as três principais componentes (canais 7, 3 e 30 do sensor MSS), respondendo estas por 99,947% e 99,948% da variabilidade das variáveis originais para MSS1 e MSS2, respectivamente. A partir desta gerou-se uma imagem de alto contraste entre os materiais constituintes dos alvos propostos. Os intervalos de comprimento de onda da análise de componentes principais foram retomados para a estruturação de matrizes que permitissem uma análise de regressão. As principais componentes foram, então, relacionadas com as leituras efetuadas na espectroradiometria de solo, em seus referidos intervalos espectrais. Os coeficientes de regressão encontrados responderam respectivamente por 76,99% da variação da variável dependente em MSS1 e por 85,40% em MSS2. Estes percentuais traduziram-se em um melhor ajuste na segunda regressão e uma menor variabilidade dos erros residuais. A média dos erros residuais para MSS1 foi -0,2869, enquanto que em MSS2 foi -0,0851. A verificação da validade do modelo foi efetuada com a aplicação da análise de variância (ANOVA) que retratou no teste F os valores: MSS1= 66,91 e MSS2= 116,99. Como o valor do Ftab (F 5%;3;60) é igual a 2,76, percebe-se que o valor de Fcalc é maior que o valor do Ftab , (Fcalc > Ftab) para as duas análises. Pelos resultados alcançados conclui-se que a metodologia empregada é valida para a caracterização dos alvos propostos e o modelo contribui para a distinção entre estes na análise de imagens MSS.

O uso de imagens provenientes de sensores remotos, tal como sistemas acoplados em aviões e satélites, é cada vez mais frequente, uma vez que permite o monitoramento continuo e periódico ao longo do tempo por meio de diversas observações de uma mesma região, por vezes ampla ou de difícil acesso. Essa ferramenta tem se mostrado importante e significativa em aplicações como o mapeamento de solo e fronteiras; acompanhamento de áreas de desmatamento, queimadas e de produção agrícola. Para gerar resultados interpretáveis ao usuário final, essas imagens devem ser processadas. Atualmente, o método de classificação por máxima verossimilhança é o mais empregado para classificação de imagens multiespectrais de sensores remotos, entretanto, por se tratar de uma técnica supervisionada, seus resultados dependem extensivamente da qualidade do conjunto de treinamento, utilizado para definir os parâmetros do método. A seleção de um bom conjunto de treinamento é um processo custoso e inviabiliza a automação da classificação para diversas imagens. O método de classificação por máxima verossimilhança é também paramétrico e portanto exitem algumas suposições quanto a distribuição dos dados que devem ser atendidas, caso contrário a aplicação do método pode gerar resultados ruins. Tendo em vista essas desvantagens do método da máxima verossimilhança, este trabalho propõe um novo método para a classificação de imagens multiespectrais provenientes de sensores remotos de forma que o procedimento seja autônomo, veloz e preciso, minimizando dessa forma os possíveis erros humanos inseridos em etapas intermediárias do processo, tal como a definição de conjuntos de treinamento. O método aqui proposto pertence ao conjunto das redes neurais artificiais (RNAs) e é denominado growing neural gas (GNG). Este método baseia-se no aprendizado não supervisionado de padrões \"naturais\" dentro de um conjunto de dados por meio da criação e adaptação de uma rede mínima de neurônios. Os resultados gerados a partir da classificação pela RNA foram comparados com os métodos mais utilizados na literatura atual, sendo eles o método da máxima verossimilhança e o método k-means. A partir da biblioteca espectral ASTER, mantida e criada parcialmente pela NASA, foram realizadas várias repetições do experimento, que consiste em classificar os dados de acordo com as diferentes classes existentes, e para cada uma destas repetições calculou-se uma medida de acurácia, denominada índice kappa, além do tempo de execução de cada método, de forma que suas médias foram comparadas via intervalo de confiança gerados por bootstrap não paramétrico. Também investigou-se como a análise de componentes principais (ACP), técnica utilizada para reduzir a dimensão dos dados e consequentemente o custo computacional, pode influenciar no desempenho dos métodos, tanto em sua qualidade de classificação quanto em relação ao tempo de execução. Os resultados mostram que o método proposto é superior nos dois aspectos estudados, acurácia e tempo de execução, para a maioria dos fatores aplicados. Mostra-se ainda um exemplo de aplicação prática em que uma imagem multiespectral de satélite não satisfaz as pré-suposições estabelecidas para o uso do método da máxima verossimilhança e verifica-se a diferença entre os métodos com relação a qualidade final da imagem classificada. / The use of images from remote sensors, such as coupled systems in airplanes and satellites, are increasingly being used because they allow continuous and periodic surveillance over time through several observations of some particular area, sometimes large or difficult to access. This sort of image has shown an important and meaningful participation in applications such as soil and borders mapping; surveillance of deforestation, forest fires and agricultural production areas. To generate interpretable results to the end user, these images must be processed. Currently, the maximum likelihood classification method is the most used for multispectral image classification of remote sensing, however, because it is a supervised technique, the results depend extensively on the quality of the training set, used to define the parameters of the method. Selecting a good training set is a costly process and prevents the automation of classification for different images. The maximum likelihood classification method is also parametric, and therefore, some assumptions about the distribution of the data must be met, otherwise the application of the method can generate bad results. In view of these disadvantages of the maximum likelihood method, this dissertation proposes a new, autonomous, fast and accurate method for multispectral remote sensing imagery classification thereby minimizing the possible human errors inserted at intermediate stages of the process, such as the definition of training sets. The method proposed here belongs to the set of artificial neural networks (ANN) and is called growing neural gas (GNG). This method is based on unsupervised learning of \"natural\" patterns in a dataset through the creation and adaptation of a minimum network of neurons. The results generated from the classification by ANN were compared with the most commonly used methods in the literature: the maximum likelihood method and the k-means method. From the spectral library Aster, maintained and made in part by NASA, several replications of the experiment were made, which is to classify the data according to different preestablished classes, and a measure of accuracy called kappa index was calculated for each of the replicates, in addition to the execution time of each method, so that their means were compared via confidence interval generated by nonparametric bootstrap. It was additionally investigated how principal component analysis (PCA), technique which reduces dimension of data and consequently the computational cost, can influence the performance of methods, both in its quality rating and runtime. The results show that the proposed method is superior in both aspects studied, accuracy and runtime, for the majority of applied factors. Furthermore, it is shown an example of a practical application in which a multispectral satellite image does not necessarily meet the established assumptions for using the maximum likelihood method, and there is a difference between the methods, regarding to its final classified image quality.