O propósito desse Toolbox é prover um conjunto de algoritmos para análise e classificação de Imagem Hiperespectral (HSI). Essa é uma iniciativa do Grupo de Pesquisa em Computação Ciêntifica da Pontifícia Universidade Católica de Goiás (PUC-GO). A primeira versão deste Toolbox (v 0.1) possui as seguinte organização:

Para utilizar o Toolbox, basta clicar no botão verde "Clone or Download" no canto superior direito dessa página e descompactar o arquivo em qualquer diretório em seu computador. Para executar os algoritmos é necessário ter o software Matlab instalado. Recomenda-se a versão R2014a a ou posterior.

Estão disponíveis dento do diretório data HSIs de amostras de banana para experimentação do Toolbox. Foram digitalizadas a polpa e a casca de 4 espécies de banana. Essas espécies são: nanica, marmelo, prata e maçã.

Abra o software Matlab e navege até o diretório onde você descompactou os arquivos. Execute o seguinte código:

>> config;
>> load('polpa_prata.mat');
>> load('casca_prata.mat');
>> Banana = cat(1, polpa_prata, casca_prata);
>> Y = hsiAnalysis(Banana);

Durante a execução do aplicativo, informe as opções conforme forem sendo solicitadas.

As funções disponíveis nesta implementadas até agora são:

• hsiGetLayer: Obtém uma matriz 2D com os valores do respactivo layer informado. Sintaxe:

>>  L = hsiGetLayer(HSI, layer);

• hsiGetImageLayer: Obtém a imagem do respactivo layer informado. Sintaxe:

>>  I = hsiGetImageLayer(HSI, layer);

• hsiShowLayer: Exibe a imagem em escala de cinza de um respectivo layer da HSI.

>>  I = hsiShowLayer(HSI, layer);

• hsiShowSpectrum: Exibe o espectro de um determinado pixel da HSI.

>>  hsiShowSpectrum(HSI, x, y);

• hsiNormalize: Normaliza os dados entre 0 e 1. Sintaxe:

>>  Norm_HSI = hsiNormalize(HSI);

• hsi2matrix: Esta função converte uma HSI em matriz 2D.

>>  X = hsi2matrix(HSI);

• hsiRemoveBackground: Executa o agrupamento espectral em duas classes empregando os algoritmos PCA e K-Means. Essa função retorna o rótulo de cada pixel após a execução dos algoritmos. É necessário identificar qual rótulo corresponde ao cluster com espectros do fundo. Para melhor aproveitamento do uso desta função, observe sua implementação dentro do arquivo hsiAnalisys.m no diretório app.

>>  Y = hsiRemoveBackground(X);

• getClusters: Executa o algoritmo K-Means a partir da matriz de Scores da PCA e respectivo número de pcs. O parâmetro k corresponde ao número de clusters desejado. Essa função retorna os rótulos de cada espectro 'Y', os centroids 'C', as somas dentro do cluster de distâncias ponto à centroid 'sumd' e a matriz de distâncias 'D'.

>>  [Y, C, sumd, D] = getClusters( PCAscore, pcs, k );

• showClusterOnImage: Exibe em uma determinada imagem, os pixels referente a um determinado cluster na cor RGB escolhida. Os parâmetros de entrada são:
  • image: imagem de um respectivo layer (ver função hsiGetImageLayer),
  • idx: vetor de rótulos de classes,
  • cluster: identificador numérico referente ao cluster que se deseja exibir na imagem,
  • r, g, b: valores entre 0 e 255 referente a intensidade de vermelho, verde e azul em uma imagem colorida no padrão RGB.

Sintaxe:

>>  [ gray_image, rgb_image, fig ] = showClusterOnImage( image, idx, cluster, r, g, b);

O primeiro passo é familiarizar com o sistema de versionamento de código. Para quem não possui conhecimento sobre controle de versão usando Git, recomento o seguinte curso disponível no YouTube: Curso básico de Git e GitHub.

O segundo passo é entrar em contato com Daniel Lucena ou Arlindo Galvão por meio do grupo LAMV.