ANLISE POR COMPONENTES PRINCIPAIS (PCA)

AULA 11

Prof. Daniel C. Zanotta

Daniel C. Zanotta
11/08/2015

ANLISE POR PRINCIPAIS COMPONENTES

Conceitos bsicos
Espalhamento bi-dimensional: Indica o grau de correlao e a
qualidade da informao associada entre duas bandas.

Scatterplot - Grfico
de Espalhamento

ANLISE POR PRINCIPAIS COMPONENTES

Conceitos bsicos
Espalhamento bi-dimensional para Bandas correlacionadas
255

Banda B

Banda B

255

Banda A
Imagens totalmente
correlacionadas

255

Banda A

Imagens
correlacionadas

255

ANLISE POR PRINCIPAIS COMPONENTES

Conceitos bsicos
Clculo do ndice de correlao:
cov( BA , BB )
cov( BA , BB )

BA BB
var( BA ) var( BB )
= 1 Correlao positiva total
= -1 Correlao negativa total
= 0 Sem correlao entre as variveis
n

Var

(x M )
i 1

n 1

= desvio padro
M = mdia da distribuio
n = nmero total de termos
xi = elemento em questo

ANLISE POR PRINCIPAIS COMPONENTES

Alguns exemplos de scatterplots entre bandas:

Banda 1 e 2

Banda 2 e 3

Landsat Cultivo RS 2009

Banda 1 e 3

ANLISE POR PRINCIPAIS COMPONENTES

Alguns exemplos de scatterplots entre bandas:

Banda 1 e 2

Banda 2 e 3

Landsat Cultivo RS 2009

Banda 1 e 3

ANLISE POR PRINCIPAIS COMPONENTES

Img1

Alguns exemplos de scatterplots multitemporais:

Banda 1a e 1b

Img2

Banda 3a e 3b

Landsat Cultivo RS 2009

Banda 2a e 2b

ANLISE POR PRINCIPAIS COMPONENTES

Componentes Principais Graficamente:

CP1

CP2

ANLISE POR PRINCIPAIS COMPONENTES

Componentes Principais Graficamente:
CP1
AutoVetores
v1

CP3

v3
v2
CP2

ANLISE POR PRINCIPAIS COMPONENTES

Objetivo: Produzir novas imagens que agreguem mais
informaes em um menor volume de dados (menor
dimensionalidade)
Principais Componentes

Bandas Originais
Anlise por
Componentes
Principais

ANLISE POR PRINCIPAIS COMPONENTES

Conceitos bsicos
A correlao entre as bandas de uma imagem gera
redundncia de informao;
Provveis causas da correlao
Sombreamento topogrfico (afetas todas as bandas da mesma
maneira);
Comportamento espectral de alguns alvos similar entre as
bandas (ex. gua).

ANLISE POR PRINCIPAIS COMPONENTES

Imagem B

Imagem B

Transformao por Principais Componentes

Reduz a informao redundante entre as bandas;
Gera novas imagens descorrelacionadas (sem redundncia de
informao);
Baseia-se nas propriedades estatsticas da imagem.

Imagem A
Imagens
no correlacionadas

Imagem A

ANLISE POR PRINCIPAIS COMPONENTES

Propriedades estatsticas das imagens
Varincia (): Quadrado do desvio padro. Grau de
espalhamento dos NCs, define o contraste da imagem;
Covarincia: Grau de correlao entre as bandas.
Matrizes de Co-varincias

Cxy
11

Grau de correlao entre

duas bandas distintas
Varincia

ANLISE POR PRINCIPAIS COMPONENTES

Matriz de covarincia da imagem original (exemplo Matlab):
M = cov(img_e74); *
B4

B3

B2

B4

B1
Covarincias

B3

B2
B1
Covarincias
Landsat Cultivo RS 2009
Imagem com 4 bandas

Varincias
por banda

Grau de correlao entre

duas bandas distintas

* Utilizar a funo e74 fornecida para passar os dados para o formato com bandas por coluna.

ANLISE POR PRINCIPAIS COMPONENTES

Auto vetores V (exemplo Matlab):
[V , D] = eig(cov(img_e74));
VCP4

VCP3

VCP2

VCP1

B4
B3
B2

B1
Coordenadas
dos versores
(vetores unitrios)
Landsat Cultivo RS 2009
Imagem com 4 bandas

ANLISE POR PRINCIPAIS COMPONENTES

Alguns exemplos de matriz de covarincia (auto valores):
(exemplo Matlab)
CP4

CP3

CP2

CP1

Covarincias

CP4
CP3
CP2
CP1
Covarincias

Varincias
por CP

Landsat Cultivo RS 2009

Imagem com 4 bandas
As covarincias so nulas porque no existe correlao entre as CPs (so ortogonais).

ANLISE POR PRINCIPAIS COMPONENTES

Transformao por Principais Componentes

Imagem 2

PC2

255

PC1
Rotao do eixo original de
coordenadas para coincidir com as
direes de mxima e mnima varincia
dos dados;
0

Imagem 1

255

NCs nos eixos Imagem 1 e Imagem 2

so redistribudos sobre um novo
sistema de eixos PC1 e PC2

ANLISE POR PRINCIPAIS COMPONENTES

Clculo dos novos valores para cada CP:

Banda 2

PC2

255

PC1
Os novos pontos so um por um
rebatidos nos eixos correspondentes a
cada uma das componentes principais.

Banda1

255

ANLISE POR PRINCIPAIS COMPONENTES

CPs resultantes:

CP1

CP3

CP2

CP4

ANLISE POR PRINCIPAIS COMPONENTES

Clculo dos novos valores para cada CP: Exemplo e-book.
Tabela de Autovetores*:

* Tabela de valores invertidos em relao ao exemplo do Matlab. No Matlab os autovetores so representados na vertical em ordem contrria.

ANLISE POR PRINCIPAIS COMPONENTES

Observaes importantes:
A TPC derivada da matriz de covarincia entre as bandas;
O nmero de PCs igual ao nmero de bandas espectrais
utilizadas e so ordenadas de acordo com o decrscimo da
varincia;

A soma das varincias das PCs igual a soma das varincias das
bandas originais;
As imagens obtidas por TPC no podem ser interpretadas em
termos de comportamento espectral de alvos;

ANLISE POR PRINCIPAIS COMPONENTES

Observaes importantes:
A primeira PC (PC1) uma imagem semelhante a uma vista
pancromtica da cena;
Rudo uma informao no correlacionada, portanto, ir
concentra-se nas ltimas PCs;

Gerao de uma composio colorida, geralmente, das PCs 1, 2

e 3;
Tcnicas de realce (ampliao linear de contraste, equalizao
de histogramas, etc...) so aplicadas nas PCs para que a
informao seja visualizada com o mximo de contraste.

ANLISE POR PRINCIPAIS COMPONENTES

Aplicaes:
Reduo da dimensionalidade dos dados, as informaes
podem ser representadas em nmero menor de componentes;
Pr-processamento para classificao;

Pansharpenning

Atividade:
Construir scatterplots (diagramas de disperso) para as 3 primeiras bandas do
sensor TM usando a funo plot : plot (img(:,:,1),img(:,:,2) ,'b.');

Criar uma funo no Matlab para calcular as componentes principais de uma

imagem qualquer;
Realizar a Transformao por Principais Componentes, utilizando as 3 bandas;

Visualizar as 3 PCs geradas e comentar suas caractersticas imshow;

Gerar composio colorida RGB com as PCs 1,2,3;
Comparar a composio colorida PC1,PC2,PC3 com composies coloridas das
bandas originais e relatar as diferenas da anlise visual;
Construir scatterplots (diagramas de correlao) entre as PCs e analisar;