Documente Academic
Documente Profesional
Documente Cultură
Summary
This work presents the principal component analysis applied numerical data and image
samples (PCA and Image PCA). In this work it was presented and discussed the PCA as a
good alternative to study a great variety of data. In the first example, it was employed the
PCA to study bidimentional data from morphological and chemical analysis of sunflower
cultivated on three types of substrates: soil, soil + vermicompost and soil + vermicompost
saturated of Cd, Cu, Pb and Zn. With PCA it was concluded that plants cultivated on soil
and soil + vermicompost were the highest and the plants cultivated on soil + vermicom-
post saturated presented the larger steam diameter. In addition, it was observed that Cu
and Pb were responsible for these differences. On the second, it was presented the Image
PCA properties for images classification and prediction with different shapes, sizes, colors
and particle sizes. Using image PCA it was possible to separate three diferent geometrical
images (circles, triangles and losangs) and to classify some samples. In addition, it was pre-
sented the possibility to employ the image PCA for separating three particle sizes: 63, 150
and 600µm. The image PCA can be a good chemometric tool when applied to analytical
chemistry or other research areas.
Introdução
É notório nos diversos segmentos da química o cresci- cos, com conseqüente perda de informações que podem ser
mento tecnológico/científico manifestado pela utilização, relevantes. Geralmente, na análise de imagens em química
cada vez mais freqüente, de recursos computacionais. A quí- analítica são efetuadas apenas algumas inspeções visuais a
mica analítica não foge a esta regra, principalmente, devido fim de encontrar similaridades ou diferenças perceptíveis
ao contínuo aumento da quantidade dos dados analíticos somente ao olho humano.
gerados, bem como o aumento da variabilidade de técnicas Ao se trabalhar com a PCA de imagens, uma nova manei-
para obtê-los (1). Diante desta realidade, muitas vezes, os ra de visualização dos dados deve ser introduzida: a grande
químicos analíticos se deparam com uma gama de dados que maioria dos químicos, principalmente os analíticos, está ha-
possibilitam oferecer diversos tipos de informações. bituada a submeter uma amostra de material biológico, por
No cenário atual, é importante ter como alternativa algu- exemplo, a algum processo analítico, e ter como resultado
ma ferramenta matemática que possa, de um modo mais cri- final um número (concentração de algum analito). Já com a
terioso e científico, extrair um maior número de informações PCA de imagens, um conjunto de imagens é processado e o
de um conjunto de dados ou imagens. resultado final pode ser, por exemplo, a distribuição espacial
A Análise de Componentes Principais (PCA, do inglês, da concentração, informações sobre fenômenos de superfície
Principal Component Analysis) é uma ferramenta quimiomé- e similaridades ou desigualdades (classificação) entre mate-
trica que permite extrair, de um determinado conjunto de riais que passaram por algum processo (6).
dados, informações relevantes para o seu entendimento. Este As aplicações da PCA de imagens são variadas, porém,
conjunto de dados é organizado na forma de uma matriz (da- elas estão apenas surgindo na literatura. Como exemplos
dos bidimensionais), onde as linhas podem ser amostras e as recentes pode ser citado o trabalho de Skarpeid et al. (10).
colunas variáveis. Neste sentido, com a PCA é possível efetuar Neste trabalho, os autores empregaram fotos de géis de ele-
uma simplificação, redução da dimensão original dos dados, troforese para modelar a composição de diversos tipos de
modelamento, detecção de amostras anômalas (outliers), carnes, tendo como ferramenta a PCA de imagens.
seleção de variáveis importantes em determinado sistema, Shu et al. (11) empregaram a PCA de imagens e sensoria-
classificação e previsão (2). mento remoto para monitorar a qualidade de águas, tendo
As aplicações da PCA são diversas e abrangem diversos como parâmetro a concentração da clorofila A. A PCA de
ramos do conhecimento, principalmente a química analítica. imagens pode ser empregada, também, para a classificação
Na literatura são encontradas inúmeras aplicações para a e previsão de propriedades funcionais de pós (12,13).
PCA, entre as quais destaca-se o trabalho de DelValls et al Em um outro trabalho, Pereira-Filho et al. (14) emprega-
(3). Neste trabalho, os autores determinaram as fontes de ram PCA de imagens no estudo da morfologia de imagens
contaminação em sedimentos marinhos provenientes do micrográficas. Estas imagens foram provenientes de bobinas
Golfo de Cádiz. de Teflon utilizadas para a mineralização de amostras na
Com a popularização da PCA e aumento da complexida- forma de suspensões. Os autores concluíram, com o auxílio
de dos dados analíticos gerados, houve também o surgimen- da PCA de imagens, que houve um comportamento distin-
to da Análise de Componentes Principais de Imagens (Image to entre as diversas regiões da bobina de mineralização. Os
PCA, do inglês, Image Principal Component Analysis). Esta mesmos autores (15) empregaram a PCA de imagens para in-
segunda técnica é uma ferramenta quimiométrica muito útil, vestigar características morfológicas de plataformas de grafi-
quando uma grande quantidade de imagens é produzida e te pirolítico tratadas com diferentes modificadores químicos.
necessita ser explorada (4-7). Estas plataformas haviam sido utilizadas na determinação de
Além de dados numéricos, algumas técnicas analíticas Al em suspensões de leite em pó.
são capazes de gerar imagens. A Microscopia Eletrônica de Os objetivos principais deste trabalho estão voltados para
Varredura (SEM, do inglês, Scanning Electron Microscopy) é a divulgação da PCA e da PCA de imagens no estudo de dados
um exemplo de como imagens podem ser utilizadas na visu- numéricos e imagens. No exemplo da aplicação da PCA fo-
alização de fenômenos e/ou interações que podem ter ocor- ram utilizados dados provenientes das análises morfológicas e
rido durante determinado processo e/ou tratamento (8). Ou- químicas de girassóis plantados em diferentes condições: solo,
tros exemplos podem ser encontrados em microscopia ótica solo agregado ao vermicomposto comercial e solo agregado
(9), sensoriamento remoto (8), entre outras. Entretanto, na ao vermicomposto saturado de metais (Cd, Cu, Pb e Zn). Com
grande maioria das vezes, essas informações visuais não são a ajuda da PCA foi possível visualizar o comportamento das
tratadas com o mesmo rigor científico que os dados numéri- plantas sob diferentes condições de cultivo.
Procedimentos
rados e frações com 63, 150 e 600 µm foram obtidas com de 100%) da variância dos dados. Ao se avaliar as concentra-
o auxílio de peneiras. Além das imagens individuais, foram ções dos metais mencionados anteriormente foi detectada,
realizadas misturas combinando as cores em uma proporção novamente, uma separação entre as amostras cultivadas em
de 1:1, e uma mistura tendo todas as cores na proporção de T3 das demais plantas. Na Figura 5c podemos visualizar o
1:1:1. Em todos os casos foi empregada a fração com 63 µm. gráfico dos scores para a PCA efetuada com as informações
As frações e as misturas foram fotografadas com um aumento nutricionais. Em primeiro plano podemos notar dois grupos:
de 32 vezes, obtendo-se um total de 13 imagens.
Resultados e Discussão
em relação ao diâmetro do caule, comprimento e larguras Figura 5. Gráficos em três dimensões dos scores e loadings
das folhas (bolas pretas na Figura 5b), porém estas apresen- para as PCAs da avaliação morfológica e nutricional de uma
taram alturas inferiores aos demais tratamentos. cultura de girassol, cultivada em três diferentes tratamentos
Na PCA para as informações nutricionais das plantas fo- (T1, T2 e T3). Nos gráficos (a) e (b) temos os scores e loadings
para a avaliação em relação ao aspecto morfológico. Nos
ram necessários apenas 3 PC’s para descrever toda a variância gráficos (c) e (d) temos os gráficos dos scores e loadings em
dos dados. A PC1, PC2 e PC3 explicaram 78, 13 e 9% (total relação à avaliação nutricional.
Figura 7. PCA de imagens com dados centrados na média para Figura 8. PCA de imagens para as amostras de gizes colo-
as imagens geométricas com diferentes tamanhos. Os círculos, ridos. Os triângulos vermelhos, círculos verdes e quadrados
triângulos e losangos em preto, vermelho e azul representam azuis representam as cores vermelha, verde e azul, respectiva-
as imagens com dimensões de 8 a 10 cm. As estrelas vazias mente. Os números representam os tamanhos de partículas:
representam as imagens com dimensões de 1 a 7 cm. 63, 150 e 600 µm. Os triângulos pretos invertidos represen-
tam as misturas de cores: todas as cores na proporção 1:1:1,
verde+vermelho, azul+verde e azul + vermelho.
Conclusão
Referências
Os exemplos mostrados neste trabalho servem de
1. Valcárcel M. Trends Anal. Chem. 1997, 16, 124.
subsídios para diferentes aplicações, bem como divulga- 2. Wold S, Esbensen K, Geladi P. Chemometr. Intell. Lab. 1987, 2, 37.
ção de ferramentas quimiométricas em química analítica 3. DelValls TA, Forja JM, González-Mazo E, Gómez-Parra A, Blas-
com ênfase em análise exploratória. A PCA para dados co J. Trends Anal. Chem. 1998, 17, 181.
4. Geladi P, Grahn H. Multivariate Image Analysis ; John Wiley &
bidimensionais pode ser empregada em uma gama muito Sons, Chichester, 1996.
extensa de dados numéricos. Assim, é viável estudar um 5. Geladi P, Wold S, Esbensen K. Anal. Chim. Acta. 1986, 191, 473.
número muito grande de variáveis para amostras de dife- 6. Geladi P, Bengtsson E, Esbensen K, Grahn H. Trends Anal.
Chem. 1992, 11, 41.
rentes naturezas. 7. Geladi P. Chemometr. Intell. Lab. 1992, 14, 375.
Com os dados apresentados neste trabalho é possível 8. Balaban RS, Kurtz I, Cascio HE, Smith PD. J. Microsc-Oxford.
visualizar a aplicação da PCA de imagens em diversos seg- 1986, 141, 31.
9. Turner DW, Plummer IR, Porter HQ. J. Microsc-Oxford. 1984,
mentos da química analítica ou mesmo em outras áreas do 136, 259.
conhecimento. A PCA de imagens pode ser empregada, 10. Skarpeid HJ, Moe RE, Indahl UG. Meat Sci. 2001, 57, 227.
11. Shu X, Qiu Y, Kuang D. Proc. SPIE-Int. Soc. Opt. 1999, 3868,
por exemplo, na detecção de diferentes tamanhos de par-
460.
tículas, ou até mesmo em um estudo mais aprofundado de 12. Huang J, Esbensen KH. Chemometr. Intell. Lab. 2000, 54, 1.
fenômenos de superfície. 13. Huang J, Esbensen KH. Chemometr. Intell. Lab. 2001, 57, 37.
14. Pereira-Filho ER, Poppi RJ, Arruda MAZ. Mikrochim. Acta.
Finalmente, as aplicações da PCA de imagens são
2001, 136, 55.
ainda muito insipientes e têm muito ainda que contribuir 15. Pereira-Filho ER, Pérez CA, Poppi RJ, Arruda MAZ. Spectro-
na mudança de paradigma na análise e interpretação de chim. Acta B. 2002, 57, 1259.
16. Geladi P, Kowalski BR. Anal. Chim. Acta. 1986, 185, 1.
dados analíticos.
17. Malinowski F, Howery D. Factor Analysis in Chemistry; Wiley,
New York, 1980.
19. Castleman KR. Digital Image Processing, Prentice-Hall, Inc.,
Englewood Cliffs, 1979.
Agradecimentos 18. Martens H, Naes T. Multivariate Calibration, John Wiley & Sons,
Os autores são gratos à Fundação de Amparo à Pesquisa do Chichester, 1993.
Estado de São Paulo (FAPESP) pelo apoio financeiro, e pela bol- 20. Arruda MAZ, Alves FL, Jardim WF, Cadore S, Smichowiski P,
Marrero J.Quim. Nova. 2001, 24, 756.
sa concedida a ERPF (Processo no 99/00259-5) e ao Conselho 21. Alves FL, Cadore S, Jardim WF, Arruda MAZ. J. Braz. Chem.
Nacional de Desenvolvimento Científico e Tecnológico (CNPq) Soc. 2001, 12, 799.
pelas bolsas concedidas a GDM, RJP e MAZA.