Detecção, análise e localização de anomalias: um estudo de caso sobre imagens digitais estáticas de sensoriamento remoto aplicado à Cartografia

Resumo

Para a Cartografia, que é uma Geociência relacionada a mapeamentos, uma anomalia é um padrão não conforme, tal como uma estrutura desconhecida ou inesperada, por exemplo presente em imagens obtidas por sensoriamento remoto, que precisa receber algum tipo de tratamento para ser resolvida. A vasta quantidade dessas imagens em tamanho grande, que estão disponíveis para pesquisa, representa um desafio quando o Processamento Digital de Imagens (PDI) é o único conjunto de ferramentas usado para tratar anomalias, porque a quantidade de dados para serem processados para essas imagens requer muitas operações de PDI com alto custo computacional. Além disso, pesquisadores frequentemente tratam anomalias usando algoritmos de PDI complexos, que nem sempre apresentam resultados precisos. Sem usar qualquer outra ferramenta para ajudar a tratar anomalias, o PDI requer muito tempo e recursos computacionais, ao mesmo tempo que é difícil alcançar precisão. Com relação a essas desvantagens, a literatura científica apresenta muitas publicações descrevendo métodos ou algoritmos baseados em combinações de ferramentas para Reconhecimento de Padrões (RP), tais como detecção e análise de anomalia ou detecção e localização de anomalia. Cada par dessas ferramentas consegue solucionar subconjuntos dessas desvantagens, mas não todas elas. Portanto este projeto objetiva desenvolver um algoritmo para detecção, análise e localização de anomalia. Esse algoritmo automaticamente detecta ocorrências, identifica tipos e localiza espacialmente anomalias, em um estágio de pré-processamento, antes da aplicação de operações de PDI, usadas para tratar anomalias em imagens digitais estáticas obtidas por sensoriamento remoto para a Cartografia. O algoritmo proposto lida com todas as desvantagens citadas acima. A experiência e excelência em RP da University of Surrey é importante para criar um algoritmo que ajudará algoritmos de PDI a tratar anomalias com precisão e consumindo menos tempo e recursos computacionais.