Análise Espectral de Compostos

Visão Geral

O projeto visa o desenvolvimento de um sistema de análise espectral para identificação e quantificação de elementos presentes em misturas. O sistema permite aos usuários selecionarem áreas de interesse em uma imagem e analisar a refletância espectral dessas áreas em diferentes bandas espectrais. Dessa forma, é possível verificar a proporção, classificar e categorizar os elementos da composição analisada. Além da seleção manual, o sistema também realiza a seleção automática das áreas de interesse, otimizando o processo de análise.

Objetivos

• Identificar os elementos presentes na mistura por meio da análise espectral.
• Classificar os pixels da imagem de acordo com as características espectrais.
• Avaliar a distribuição espacial dos elementos na imagem.
• Quantificar a ocorrência de cada elemento em regiões específicas.
• Gerar gráficos detalhados da análise espectral.

Metodologia

Aquisição e Processamento de Imagem

• As imagens espectrais são capturadas e processadas para realce das bandas de interesse.
• O sistema permite tanto a seleção manual quanto a seleção automática das áreas de interesse para análise detalhada.

Exemplo de imagem espectral com seleção automática das áreas de interesse.

Classificação por Aprendizado de Máquina

• Utilização do modelo SVM (Máquina de Vetores de Suporte) para classificar os pixels da imagem.
• Os pixels são categorizados em diferentes classes, correspondentes aos elementos presentes na mistura.

Gráfico ilustrando a classificação dos elementos pelo modelo SVM.

Análise Espacial da Distribuição dos Elementos

• A imagem é segmentada em quadrantes para avaliação da homogeneidade espacial.
• O desvio padrão da coerência espacial dentro de cada quadrante é calculado.
• Gráficos são gerados para representar a distribuição dos elementos.

Distribuição espacial dos elementos com análise de coerência.

Resultados

Os testes realizados demonstraram a eficácia do sistema na classificação e quantificação dos elementos presentes nas misturas analisadas. Os principais resultados incluem:

• Classificação precisa dos pixels em diferentes categorias espectrais.
• Identificação da proporção de cada elemento dentro da amostra.
• Análise da homogeneidade espacial, auxiliando na avaliação da distribuição dos compostos.
• Geração de gráficos detalhados para visualização e interpretação dos dados espectrais.

Gráficos representando a precisão das classificações.

Tecnologias Utilizadas

• Linguagem: Python
• Bibliotecas: OpenCV, Scikit-Learn, NumPy, Matplotlib
• Técnicas: Processamento de imagem, aprendizado de máquina (SVM), análise espectral, geração de gráficos