by: Simone Vasconcelos e P\VHOI

$QiOLVH GH &RPSRQHQWHV 3ULQFLSDLV 3&$

 ,QWURGXomR A DQiOLVH GRV FRPSRQHQWHV SULQFLSDLV - $&3 ou 3&$ (do ingls 3ULQFLSDO

UHSUHVHQWDWLYDV GH GDGRV D SDUWLU GH FRPELQDo}HV OLQHDUHV GDV YDULiYHLV RULJLQDLV.

usados visando sua reduo, eliminao de sobreposies e a HVFROKD GDV IRUPDV PDLV tambm chamado de 7UDQVIRUPDGD 'LVFUHWD GH .DUKXQHQ/RqYH (KLT) ou

&RPSRQHQW $QDO\VLV) um mtodo que tem por finalidade bsica, a anlise dos dados

ainda 7UDQVIRUPDGD +RWHOOLQJ, em homenagem a Kari Karhunen, Michel Love

GRV &RPSRQHQWHV 3ULQFLSDLV

GHVFRUUHODFLRQDGRV. Foi derivada por +RWHOOLQJ e por ele denominada como 0pWRGR

[1907-1979] e Harold Hotelling Ela WUDQVIRUPD YDULiYHLV GLVFUHWDV HP FRHILFLHQWHV

Anlise de Componentes Principais (PCA) um dos mtodos estatsticos de mltiplas variveis mais simples. A PCA considerada a WUDQVIRUPDomR OLQHDU yWLPD, dentre as transformadas de imagens, sendo muito utilizada pela comunidade de reconhecimento de padres.

 &RPSRQHQWHV SULQFLSDLV 3&V A anlise de componentes principais (PCA) uma maneira de identificar a UHODomR HQWUH FDUDFWHUtVWLFDV H[WUDtGDV GH GDGRV. bastante til quando os vetores de caractersticas tm muitas dimenses, quando uma representao grfica no possvel, mas tambm pode ser til em dimenses menores, como mostra a Figura 1. A FRPSRQHQWH SULQFLSDO o arranjo que melhor representa a distribuio dos

dados (linha vermelha na Figura 1) e a FRPSRQHQWH VHFXQGiULD perpendicular a componente principal (linha azul na Figura 1).

by: Simone Vasconcelos e P\VHOI

Figura 1 - Linha vermelha mostra a distribuio principal dos dados e a linha azul mostra a componente secundria.

Os SDVVRV para calcular as componentes principais so: REWHU os dados ou as 0 amostras de vetores de dimenso Q; calcular a PpGLD ou o YHWRU PpGLR destes dados; VXEWUDLU D PpGLD de todos os itens de dados; da mdia do produto de cada subtrao por ela mesma e ter dimenso Q x Q; calcular os DXWR YDORUHV e DXWR YHWRUHV da matriz de covarincia. arranjar os a PDWUL] GD 7UDQVIRUPDGD GH +RWHOOLQJ (cujas linhas so formadas a partir dos autovetores da matriz de covarincia arranjados de modo que a primeira linha, o elemento (0,0), seja o auto vetor correspondente ao maior autovalor, e assim sucessivamente at que a ltima linha corresponda ao menor autovalor. calcular a PDWUL] GH FRYDULkQFLD usando todas as subtraes. Ela o resultado

O DXWR YHWRU com o maior DXWRYDORU associado, corresponde componente principal do conjunto de dados usado. Isso significa que essa o relacionamento mais significativo entre as dimenses dos dados. A Figura 1 ilustra esse ponto.

by: Simone Vasconcelos e P\VHOI As componentes principais podem ento ser usadas conforme a maneira desejada. Seja apenas para visualizao, para aquisio de imagens de objetos 2D de acordo com o melhor posicionamento da cmera ou reconhecimento das principais caractersticas de medidas a serem usadas.

 0DWUL] GH FRYDULkQFLD Em estatstica, existem vrias anlises que podem ser feitas sobre um conjunto de dados, como a PpGLD aritmtica, o GHVYLR SDGUmR e a YDULkQFLD. Os dois ltimos medem o quanto os dados esto afastados em relao a mdia (a varincia igual ao quadrado do desvio padro). Todas essas medidas, porm, consideram separadamente cada tipo de dados. Por sua vez, a FRYDULkQFLD sempre medida entre duas dimenses (calcular a covarincia entre uma dimenso e ela mesma resulta na varincia). A frmula da covarincia para dados de dimenso 2 (; e <) :

dimenso. Os elementos com uma barra sobre eles, ; e < , so as mdias das listas. ; e varivel Q representa o nmero de itens de dados obtidos. Quando os dados representam

Na frmula acima, ; e < so listas de dados, onde ; a primeira e < a segunda

< so cada um dos elementos das listas nas duas direes ; e < , na i-sima posio. A

Quando os dados representam o conjunto total da populao, usa-se simplesmente Q no denominador. Se os dados tiverem mais de duas dimenses, necessrio ter a covarincia entre usadas trs dimenses ([ \ e ]), a matriz de covarincia ter este formato: cada par de dimenses. A partir dessa idia, surge a matriz de covarincia. Se forem

uma amostra (que inicia no ndice 0), usa-se Q no denominador e no somatrio.

by: Simone Vasconcelos e P\VHOI

A diagonal principal da matriz contm as varincias e as demais posies a correlao entre as direes. Essa matriz simtrica e real, de modo que sempre possvel encontrar um conjunto de autovetores ortonormais (Anton e Rorres,2004). Para 0 amostras de vetores em um conjunto qualquer, o YHWRU PpGLR pode ser calculado de:

=1

Assim supondo que se tenha 4 amostras de um conjunto de vetores de caractersticas 3D, que correspondem a 3 caractersticas de texturas medidas de 4 imagens: probabilidade mxima, uniformidade,e momento de diferena de ordem 3. Suponha tambm que estes valores para cada uma dos 4 imagens seja:

0 1 1 1 0 ; [ = 0 ; [ = 1 ; e [ = 0 [1 = 2 3 4 0 0 0 1
O vetor mdio destas medidas ser:

3 / 4 P = 1 / 4 1 / 4
Para calcular a PDWUL] GH FRYDULkQFLD subtrai-se cada [ de P . E usando todas

FRYDULkQFLD o resultado da mdia desta soma. Para os dados acima se tem:

as subtraes calcula-se o produto de cada subtrao por ela mesma. A PDWUL] GH

P =

1 0

by: Simone Vasconcelos e P\VHOI

1/ 4 1/ 4 1/ 4 3 / 4 1 / 4 ; [ P = 1 / 4 ; [ P = 3 / 4 e [ P = 1 / 4 [1 P = 4 3 2 1/ 4 1 / 4 1 / 4 3/ 4
O produto de cada um destes vetores por ele mesmo resultar cada um em uma

matriz 3x3, dada por ([ P ) ([ P ) . No exemplo em questo teremos as seguintes matrizes respectivamente:

([1 P )([1 P )
  

9 / 16 3 / 16 3 / 16 = 3 / 16 1 / 16 1 / 16 ; 3 / 16 1 / 16 1 / 16 1 / 16 1 / 16 1 / 16 = 1 / 16 1 / 16 1 / 16 ; 1 / 16 1 / 16 1 / 16 3 / 16 1 / 16 1 / 16 3 / 16 = 9 / 16 3 / 16 1 / 16 3 / 16 1 / 16 1 / 16 1 / 16 3 / 16 = 1 / 16 1 / 16 3 / 16 3 / 16 3 / 16 9 / 16
e
 

([2 P )([2 P )
   

([3 P )([3 P )
  

([4 P )([4 P )

De modo que a PDWUL] GH FRYDULkQFLD destes valores ser:

4 / 16 1 / 16 12 / 16 4 / 16 3 / 16 1 / 16 1 ou (& ) = 1 / 16 3 / 16 1 / 16 (& ) = 4 / 16 12 / 16 4 / 16 4 4 / 16 4 / 16 12 / 16 1 / 16 1 / 16 3 / 16
Neste exemplo todos os elementos da diagonal principal so iguais, o que indica que os 3 elementos do vetor de caracterstica usado tm mesma varincia. Todos os 3 elementos so correlacionados. Os elementos 1 e 3 do vetor de caracterstica usado tm correlao positiva, enquanto que os elementos 2 e 3 so negativamente correlacionados. Este exemplo numrico da obteno da matriz de covarincia a partir do conhecimento de 4 medidas das coordenadas 3D de um objeto apresentado em Gonzalez e Wood (2000) na (seo 3.6).
 

by: Simone Vasconcelos e P\VHOI O exemplo de clculo acima pode ser facilmente estendido para o clculo da matriz de covarincia em 3D com qualquer nmero de medidas. Tambm facilmente a matriz ser 4x4, se tiverem 5 dimenses a matriz ser 5x5, e tiverem Q dimenses a estendido para casos de vetores com mais de 3 dimenses. Se estes tiverem 4 dimenses

matriz ser Q x Q .

com YHWRU PpGLR P pode ser calculado de:

! ! $

A matriz de covarincia para 0 amostras de vetores em um conjunto qualquer,

=1

conjunto de Q autovalores e correspondentemente autovetores ortonormais (Anton e Rorres , 2004).

A matriz da covarincia UHDO H VLPpWULFD Sendo sempre possvel encontrar um

 $XWRHVSDoRV  DXWRYHWRUHV H DXWRYDORUHV (multiplicao da matriz 0 pelo vetor Y) resulta num mltiplo de Y, ou seja, em O Y ( ou Diz-se que um vetor Y um DXWRYHWRU de uma matriz quadrada 0 se 0 Y

associado ao DXWRYHWRU Y.

na multiplicao de um escalar pelo vetor). Nesse caso, O o chamado DXWRYDORU de 0

Quando se fala em DXWRYHWRUHV, subentende-se autovetores de comprimento 1, (no nulos) j que a propriedade desejada apenas a direo do vetor. Uma propriedade dos autovetores que eles so perpendiculares (ortogonais) termos dos autovetores, em vez de em termos dos eixos [, \ e ]. calculados usando a HTXDomR FDUDFWHUtVWLFD de 0: entre si. Essa propriedade importante porque torna possvel expressar os dados em

Para matrizes de dimenses 2 2 ou tambm 3 3, os autovalores podem ser

"

"

& =
"

1 0

[ [

P P

by: Simone Vasconcelos e P\VHOI Onde , a matriz identidade, 0 a matriz dada e os escalares no nulos, O que a

solucionam sero os DXWRYDORUHV Por exemplo, no caso de uma matriz 0 2 2:

DXWRYDORU:

substitudas no sistema abaixo para encontrar os DXWRYHWRUHV correspondentes a cada

Resulta numa equao de 2 grau, cujas razes podem ser calculadas e

No caso de dimenses maiores, ou para algoritmos genricos para qualquer nmero de dimenses, o usual aplicar um algoritmo numrico iterativo. O ltimo passo ordenar os autovetores de acordo com os autovalores de maior valor (principais). no-nulos no espao soluo de (O ,  0 Y Equivalentemente, os DXWRYHWRUHV associados aos DXWRYDORUHV sero os vetores  Este espao chamado de DXWRHVSDoR

GH DXWRHVSDoR

de 0 associado a O As bases para cada um destes DXWRYHWRUHV so chamadas de EDVHV

Como exemplo ilustrativo considere que antes da captura definitiva da imagem deste objeto por VRQDU. Estas coordenadas foram usadas em uma anlise prvia para covarincia obtida a partir desta anlise previa : de um objetos tenha-se pr-capturado  FRQMXQWRV GH FRRUGHQDGDV [\] aleatrias

posicionamento para a captura definitiva das suas coordenadas. Se a matriz de

0 0 2 0 =& = 1 2 1 1 0 3
%

by: Simone Vasconcelos e P\VHOI Qual seria seus auto-espaos associados e suas auto-bases? A HTXDomR FDUDFWHUtVWLFD de 0 : O   O  O   Ou na IRUPD IDWRUDGD:
' ' &

O   O  

De modo que seus autovalores so O  e O  E, portanto temos  DXWRHVSDoRV GH 0 Por definio vetor Y um DXWRYHWRU da matriz quadrada 0 se e somente se Y soluo no trivial de : (O ,  0 Y 

Assim neste exemplo teremos que achar as solues de:

0 2 [1 0 0 1 2 1 [2 = 0 para os dois autovalores O  e O  1 0 3 [3 0

Para O  temos autovetores na forma:

uma EDVH GR DXWR HVSDoR associado a O  Para O  temos autovetores na forma:

2V 1 0 Y1 = W = V 0 + W 1 e como 1 0 V

1 0 0 H 1 so linearmente independentes formam 1 0

2V 2 Y2 = V = V 1 e portanto 1 V

2 1 uma EDVH GR DXWR HVSDoR associado a O  1

by: Simone Vasconcelos e P\VHOI Dois resultados importantes da OJHEUD /LQHDU VmR (Anton e Rorres,2004, p. 246): GLDJRQDOL]iYHO. Se uma matriz GLDJRQDOL]iYHO ento ela tem Q autovalores 6H uma matriz Q [ Q tem Q autovalores linearmente independentes HQWmR ela

linearmente independentes que sero os VHXV HOHPHQWRV GD GLDJRQDO SULQFLSDO.

Os procedimentos para diagonalizar uma matriz M correspondem a seguir os passos abaixo: 1- Encontrar seus autovetores linearmente independente: Y  Y  Y  2- Formar uma Matriz 3 com estes vetores como colunas. 3- O produto 3 0 3 ser uma matriz diagonal, com elementos iguais aos autovalores na diagonal principal.
( 0 ) ' (

0 0 2 Vamos usar estes passos para diagonalizar a 0 = & = 1 2 1 , da qual j 1 0 3 1 0 2 0 H 1 associados a O  H 1 associado a O calculamos os 3 autovetores : 1 0 1
 Como os 3 so OLQHUPHQWH LQGHSHQGHQWHV isto no mltiplos ou resultado da soma de uns dos outros, o passo 1, j esta feito. A matriz do passo 2 :
%

3 = [Y1 Y2

Y3

1 0 2 ]= 0 1 1 que pode ser usada para diagonalizar M. 1 0 1

Confira fazendo as contas:

1 0 2 0 0 2 1 0 2 2 0 0 3 0 3 = 1 1 1 1 2 1 0 1 1 = 0 2 0 1 0 1 1 0 3 1 0 1 0 0 1
1

by: Simone Vasconcelos e P\VHOI No processo de diagonalizao no existe uma ordem preferencial para as diagonalizando a matriz. Mas o mesmo no acontece para a 7UDQVIRUPDGD GH colunas de O, se a ordem dos autovalores fosse outro o resultado seria outro mas ainda

+RWHOOLQJ ela tem que sempre ser feita em ordem decrescente de autovalores.

 7UDQVIRUPDGD GH +RWHOOLQJ conjunto de Q auto vetores ortonormais (Anton e Rorres , 2004). Considere que estes Q Como a matiz da covarincia UHDO H VLPpWULFD, sempre possvel encontrar um

auto valores. Isto vamos chamar de H o auto vetor correspondente ao maior autovalor, chamaremos de O  e que vamos chamar de H o auto vetor correspondente ao segundo vetor correspondente ao menor autovalor, que chamaremos de O
)

autovetores sejam arranjados de modo decrescentes de acordo com os valores dos Q

(

.
(

Considere uma matriz, $, cujas colunas sejam os autovetores de & ordenados como falado no pargrafo anterior. E considere uma transformao definida por esta matriz como \ $ [  P   , e cuja
1

PDWUL[ GH FRYDULkQFLD dos \ pode ser obtida de $ e & por:

2

Ela vai mapear os valores [, em valores \, cuja mdia ser zero, isto P & $& $

so os autovalores de & . Assim & ser:

1 1

Esta matrix & diagonal e tem elementos ao longo da diagonal principal que

1 0 0 0 0 ...... 2 0 0 3 (& )= ..... 0 0 .... 0 2 0 0 0 1

3 3 4

maior autovalor, O ;e assim sucessivamente de modo que vamos chamar de H

0 '

'

o auto

by: Simone Vasconcelos e P\VHOI vetores \ so descorrelacionados. Como os elementos da diagonal de uma matriz
1 1

Como os elementos fora da diagonal principal de & so zeros, os elementos dos

diagonal so seus autovalores, segue que & e & possuem RV PHVPRV DXWRYDORUHV H DXWRYHWRUHV (Anton e Rorres,2004).

A transformao representada pela equao (1) \ $ [  P  

chamada de 7UDQVIRUPDGD GH +RWHOOLQJ matriz & , a ordenao dos autovetores e autovalores, que esto presentes na 7UDQVIRUPDGD GH +RWHOOLQJ A nica diferena entre esta com a matriz $ e a 3 da seo anterior, que diagonaliza a

YHWRU GH PpGLD e cujos HL[RV estaro na direo dos DXWRYHWRUHV GH &  Esta +RWHOOLQJ a obteno de um DOLQKDPHQWR GRV DXWRYHWRUHV por URWDomR GR VLVWHPD GH

QRYR VLVWHPD GH FRRUGHQDGDV cuja RULJHP ser o FHQWUyLGH GR conjunto de pontos R LQWHUSUHWDomR JHRPpWULFD mostra claramente que o HIHLWR GD 7UDQVIRUPDGD GH

do uso da equao (1) ou da 7UDQVIRUPDGD GH +RWHOOLQJ o estabelecimneto de um

Assim no exemplo numrico dos SRQWRV GR VRQDU que estamos considerando, o efeito

cada autovalor indica a YDULkQFLD do componente \ ao longo do autovetor Y .

5 5

HL[RV. Este alinhamento o PHFDQLVPR que GHVFRUUHODFLRQD RV GDGRV. Alm disso,

A idia de alinhar objetos desempenha um papel muito importante na Anlise de Imagens, no Reconhecimento de Padres e objetos e na Viso de Mquina. Depois que os objetos so extrados, ou segmentados das imagens extrai-se caractersticas para seu reconhecimento, a maioria deles muito sensvel ao ngulo que a direo entre os eixos da cmera e os eixos do objeto fazem. A utilizao da direo adequada evita muitos erros posteriores.

 $QiOLVH GH &RPSRQHQWHV 3ULQFLSDLV 3&$ A PCA consiste em promover uma transformao linear nos dados de modo que os dados resultantes desta transformao tenham suas componentes mais relevantes nas

by: Simone Vasconcelos e P\VHOI primeiras dimenses, em eixos denominados principais. As figuras abaixo ilustram um conjunto bidimensional e o mesmo conjunto aps a aplicao da PCA.

Figura 2 - Conjunto de dados

Figura 3 - Conjunto de dados aps a PCA.

A matriz de transformao utilizada para o clculo da PCA consiste em uma matriz cujas colunas so os autovetores da matriz de covarincia estimada dos dados. A matriz de transformao utilizada para o clculo da PCA consiste em uma matriz cujas linhas so os autovetores da matriz de covarincia estimada dos dados. A matriz de covarincia  p XPD PDWUL] VLPpWULFD H GHILQLGD SRVLWLYD TXH SRVVXL informao sobre as varincias em todos os eixos onde os dados esto distribudos. Esta pode ser estimada como:

by: Simone Vasconcelos e P\VHOI

onde 1 o nmero de amostras de dados [L H

a mdia do conjunto.

Os autovetores desta matriz de fato formam uma nova base que segue a variao dos dados. A PCA, portanto consiste em uma mudana de base. A PCA e a decomposio por autovalor de uma matriz so basicamente a mesma coisa, apenas vem o problema de modos diferentes. A aplicao da PCA a uma imagem colorida pode ser realizada com trs passos bsicos: Primeiro gera-VH D PDWUL] D SDUWLU GD RSHUDo descrita abaixo:
= cov ( [R G B] )

 REWLGR QD HTXDo acima uma matriz 3x3, que representa a matriz de

covarincia {cov} da imagem colorida, e servir para o clculo da matriz que levar a imagem do RGB para um novo espao, gerado pela PCA. Com a matriz de covarincia  SRGH-se, ento, calcular seus autovalores e autovetores, como representado na equao: >7 DXW@ HLJ  

Obtm-se dessa operao as matrizes T e aut. T a matriz, na qual suas linhas so os autovetores da matriz de covarincia e aut a matriz diagonal, na qual os valores presentes em sua diagonal so os autovalores de obteno dos autovalores e autovetores da matrL]   ( HLJ representa a operao de

A equao abaixo mostra a gerao do novo espao chamado de [P1, P2, P3].

by: Simone Vasconcelos e P\VHOI  3&$ HP 5HFRQKHFLPHQWR GH 3DGU}HV Segundo a tcnica de PCA, imagens podem ser tratadas como padres em um uma imagem e Z o nmero de colunas, pode-se dizer que uma imagem um padro de espao linear para efetuar reconhecimento estatstico. Sendo K o nmero de linhas de

espao de imagens", representado por ,.

K x Z caractersticas ou um vetor no espao (KxZ) dimensional, o qual chamado de

Assim, dada uma imagem representada como uma matriz K x Z, pode-se construir sua representao como um vetor atravs de uma leitura coluna a coluna da imagem, colocando o valor de cada pixel da imagem em um vetor coluna [. Em reconhecimento de padres, sempre desejvel dispor de uma representao compacta e de um bom poder de discriminao de classes de padres. Para isso, importante que no haja redundncia entre as diferentes caractersticas dos padres, ou seja, que no haja covarincia entre os vetores da base do espao de caractersticas. Para verificar se h covarincia entre as caractersticas (ou variveis), utiliza-se a matriz de covarincia. Um espao vetorial com a propriedade de no haver covarincia entre os vetores da base do espao, possui uma base cuja matriz de covarincia de seus vetores diagonal. Para diagonalizar a matriz de covarincia, deve-se efetuar uma mudana de base. Assim, as variveis dos padres representados em termos dessa nova base do espao de caractersticas no possuem correlao entre si, seja + essa nova matriz. importante lembrar que no caso de PCA, os autovalores da matriz de covarincia so iguais varincia das caractersticas transformadas. Assim, se um autovetor possui autovalor grande, significa que esse fica em uma direo em que h uma grande varincia dos padres. A importncia disso est no fato de que, em geral, mais fcil distinguir padres usando uma base em que seus vetores apontam para a direo da maior varincia dos dados, alm de no serem correlacionados entre si. Logo, se a matriz + for construda de forma que sejam escolhidos somente os autovetores contendo os maiores autovalores, a varincia total dos padres de entrada no sofre grandes alteraes.

by: Simone Vasconcelos e P\VHOI  7UDQVIRUPDGD GH +RWHOOLQJ H 3&$ QD UHFRQVWUXomR Outra aplicao importante se relaciona a reconstruo de [, dado \ SRU
6

$ [  P 
9 8 7

 $ qualquer vetor [ SRGH ser

recuperado a partir de seu correspondente \ pela relao

6 9

Como as linhas de $ so vetores ortonormais pois $

[
6

$ \P

uma matrix $ , tem-se uma matriz de transformao de ordem N x Q , e a reconstruo no ser exata mas uma aproximao.
@

Se nem todos os autovetores de & forem usados mas apenas os N maiores, formando

 6FRUHV H /RDGLQJV A anlise de componentes principais (PCA) um mtodo de anlise multivariada utilizado para projetar dados n-dimensionais em um espao de baixa dimenso, normalmente duas ou trs. Isso feito atravs do clculo de componentes principais obtidas fazendo-se combinaes lineares das variveis originais. Em uma anlise de componentes principais, o agrupamento das amostras define componentes principais (PCs) nos quais os dados so projetados. Os VFRUHV fornecem a a estrutura dos dados atravs de grficos de VFRUHV e ORDGLQJV cujos eixos so

composio das PCs em relao s amostras, enquanto os ORDGLQJV fornecem essa

mesma composio em relao s variveis. Como as PCs so ortogonais, possvel ORDGLQJV. O estudo conjunto de VFRUHV e ORDGLQJV ainda permite estimar a influncia de cada varivel em cada amostra. Os VFRUHV (th) e ORDGLQJV (ph) podem ser calculados par a par por um processo iterativo, como na equao abaixo. X = t1 p'1 + t2 p'2 + .....+ th p'h examinar as relaes entre amostras e variveis atravs dos grficos dos VFRUHV e dos

by: Simone Vasconcelos e P\VHOI

Figura 4 - Representao da matriz de dados X decomposta em produto de matrizes de posto igual a um

A figura abaixo fornece a interpretao geomtrica dos valores ORDGLQJ e VFRUH para a observao 1, num grfico a duas dimenses com duas variveis x1 e x2. A direo de maior variabilidade das amostras indicada pela reta que representa um componenets principais e os ORDGLQJV so os ngulos entre cada componente principal e cada varivel. componente principal. Os VFRUHV so as projees das amostras na direo dos

Figura 5- Interpretao geomtrica dos valores ORDGLQJ e VFRUH

 &RQVLGHUDo}HV )LQDLV Anlise dos Componentes Principais (PCA) um mtodo estatstico linear que encontra os autovalores e autovetores da matriz de covarincia dos dados e, com esse

by: Simone Vasconcelos e P\VHOI resultado, pode-se realizar a reduo dimensional dos dados e analisar os padres principais de variabilidade presentes. PCA um mtodo exploratrio porque auxilia na elaborao de hipteses gerais a partir dos dados coletados, contrastando com estudos direcionados nos quais hipteses prvias so testadas. tambm capaz de separar a informao importante da redundante e aleatria. A PCA tambm muito utilizada em algoritmos de compresso de imagens. A caracterstica bsica da PCA a reduo do espao necessrio para a representao da imagem, j que a PCA promove uma compactao da energia. Com o emprego da PCA a visualizao de diversas variveis em um determinado conjunto de dados torna-se mais produtiva, rpida, objetiva e eficiente.

5HIHUrQFLDV %LEOLRJUiILFDV
Andrade, M. C.; Pinto, L. C. M. &ODVVLILFDomR GH )ROKDV SRU 7DPDQKR H )RUPD $WUDYpV GH 'HVFULWRUHV *HRPpWULFRV H $QiOLVH GRV &RPSRQHQWHV 3ULQFLSDLV Anais do IV Workshop em Tratamento de Imagens, NPDI/DCC/ICEx/UFMG, p. 54-61 2003. Farias, M. A. 2SHUDo}HV %RROHDQDV HQWUH 2EMHWRV 'HOLPLWDGRV SRU 6XUIHOV 8VDQGR &RQVWUDLQHG %63 WUHHV. Dissertao de Mestrado. Cincia da Computao - UFRS. Porto Alegre, 2006. Anton , H., Rorres C., OJHEUD /LQHDU FRP $SOLFDo}HV, Bookman, Porto Alegra, 2004.

Silva, C. Y. V. W.; Traina, A. J. M. 5HFXSHUDomR GH ,PDJHQV 0pGLFDV SRU &RQWH~GR 8WLOL]DQGR :DYHOHWV H 3&$ Anais do X Congresso Brasileiro de Informtica em Sade, 14-18 de outubro de 2006, )ORULDQySROLV 6& www.sbis.org.br/cbis/arquivos/897.pdf R. C. Gonzalez and R. E. Woods, 3URFHVVDPHQWR GH ,PDJHQV 'LJLWDLV, Edgard Blucher, So Paulo, 2000 (original :Addison Wesley Pub. Co. 1993) (seo 3.6) Tutorial e exemplo no Scilab : csnet.otago.ac.nz/cosc453/student_tutorials/principal_components.pdf Site sobre : Michel Loeve e seu premio (The Loeve Prize) bianual: http://www.stat.berkeley.edu/users/aldous/Research/Loeve.html http://sunsite.berkeley.edu/uchistory/archives_exhibits/in_memoriam/catalog/loeve_michel.html Souza, G. F. &RPSUHVVmR $XWR$GDSWDWLYDV GH ,PDJHQV &RORULGDV Dissertao de Mestrado em Cincias Universidade Federal do Rio Grande do Norte. Natal -RN, 2005.

Ferreira, E.C.; Rodrigues, S. H. B. G.; Ferreira, M. M. C.; Nbrega I. J. A.; Nogueira, A. R. A. $QiOLVH H[SORUDWyULD GRV WHRUHV GH FRQVWLWXLQWHV LQRUJkQLFRV HP VXFRV H UHIULJHUDQWHV GH XYD Ecltica Qumica. vol. 27 n.especial. So Paulo, 2002.