Reconhecimento de explosões solares

A segunda aplicação implementada para prova de viabilidade da plataforma CoP-WS teve como o objetivo realizar o processo de reconhecimento de explosões solares. Esta aplicação re- cebe um conjunto de imagens, que são resultantes da observação realizada por um determinado instrumento, e utilizando estas imagens, faz o processamento com o objetivo de reconhecer um padrão específico. Neste caso específico as imagens produzidas são do disco solar, e o padrão a ser reconhecido são de explosões que ocorreram durante a observação do Sol.

Como a plataforma CoP-WS não se encontrava conectada a um instrumento de forma direta para realizar a obtenção das imagens, foi utilizado um conjunto de imagens produzidas pela ob- servação do Rádio-Heliógrafo de Nobeyama no Japão (NRO, 2012). Maiores informações sobre o Rádio-Heliógrafo de Nobeyama são descritas por Nakajima e seus colaborares (NAKAJIMA et al., 1994). As imagens do disco solar produzidas pela observação deste instrumento, foram co-

locadas em um mesmo diretório, onde, para o processamento, o primeiro nó do arranjo buscava as imagens dentro de uma ordem, com o objetivo de simular um fluxo de envio das imagens.

Como metodologia para o processamento de reconhecimento de explosões solares foram utilizados o GLCM e a teoria de Near Sets, apresentadas nas Seções 2.14 e 2.13 respectiva- mente. A escolha pelo uso desta abordagem se deve a dois fatores, primeiro pela questão do Near Sets não ter sido utilizado para o reconhecimento de explosões solares, e segundo pelas características do Near Sets, de definir funções de descrição baseada em valores reais, permite uma implementação mais adequada para seu processamento dentro da arquitetura do GPU/- CUDA.

3.3 Prova de Viabilidade 103

de 500x500 pixels, desta forma o primeiro passo foi a conversão destas para tons de cinza. Cada uma destas imagens em tons de cinza foram divididas em sub-imagens de 50x50 pixels de dimensão, sendo estas sub-imagens, chamadas de janelas, que foram utilizadas para a extração das características. A Figura 3.20 apresenta o processo de geração das janelas discutido, sendo apresentada do lado esquerdo superior, a imagem original do disco solar, abaixo desta imagem a mesma imagem convertida para tons de cinza, e a direita o mozaico da imagem do disco solar, em tons de cinza, formado pelas janelas geradas.

Figura 3.20: Processo de geração de janelas de 50x50 do disco solar (NOBEYAMA, 2013).

Diferente da aplicação do correlacionador discutida anteriormente, o processamento de re- conhecimento de padrões de explosão solares, está organizado em duas fases que são: 1) o treinamento, onde a aplicação é treinada a reconhecer o padrão da explosão solar; e 2) o proces- samento de reconhecimento propriamente dito. Esta característica fez com que esta aplicação fosse implementada em dois aplicativos menores, o primeiro responsável pelo treinamento e o segundo para realizar o reconhecimento do padrão de explosão solar propriamente dito.

Salienta-se que apesar da necessidade dos dois processamentos, o aplicativo responsável pelo treinamento não foi implementado na plataforma CoP-WS, uma vez que apenas o resultado desse treinamento é usado no processamento do reconhecimento propriamente dito.

3.3.2.1 Treinamento

A aplicação de treinamento para o reconhecimento dos padrões de explosão solar (Figura 3.21), tem como entrada janelas, que são sub-imagens com dimensão 50x50 pixels, extraídas de uma imagem do disco solar, especialmente selecionadas, de forma a conter o evento típico de

com padrões de explosão solar passam por estes processamentos, que no seu final gera uma matriz, onde o número de linhas é igual ao número de sub-imagens processadas e cada coluna refere-se a uma característica extraída usando o GLCM, ou seja, cinco colunas.

O próximo estágio do treinamento para reconhecimento dos padrões de explosão solar, utiliza a matriz resultante no estágio anterior, com as características GLCM obtido pelo proces- samento de todas as sub-imagens, para a criação de classes, tomando como base a similaridade apresentada entre cada uma das sub-imagens utilizadas. Este processo de verificação de si- milaridade utiliza como base a teoria do Near Sets e utiliza a tolerância de similaridade ε, na verificação entre os valores obtidos. Este valor de tolerância é obtido empiricamente em função dos melhores resultados obtidos. Cada conjunto de sub-imagens que apresentam uma distân- cia de similaridade ≤ ε, é agrupado em classe, onde os valores das funções de descrição desta classe é a média aritmética dos valores das funções de descrição de cada uma das sub-imagens da classe. O processo de classificação das sub-imagens (padrões), gera uma matriz, onde o número de linhas é igual ao número de classes definidas, e o número de colunas é o número de características utilizadas, e seus valores são utilizados como entrada na aplicação de reconheci- mento dos padrões de explosão solar.

3.3 Prova de Viabilidade 105

Figura 3.21: Fluxograma da aplicação de treinamento para o reconhecimento de padrões de ex- plosão solar.

3.3.2.2 Reconhecimento

A aplicação para o reconhecimento de explosões solares (Figura 3.22) utiliza como entrada, um conjunto de imagens do disco solar. Em um ambiente real, estas imagens estariam sendo produzidas por um radiointerferômetro, durante a observação do Sol. Contudo na atual versão deste trabalho, como não foi possível a conexão com o instrumento BDA, e com o objetivo de simular um fluxo de dados, foram utilizadas imagens do disco solar, de observações realizadas pelo instrumento de Nobeyama (NRO, 2012). Uma vez que uma imagem do disco solar foi carregada, a primeiro estágio é a conversão desta imagem de RGB para Tons de Cinza, imagem esta que é utilizada para o processo de geração das sub-imagens.

Cada imagem do disco solar, em tons de cinza, é dividida em janelas de sub-imagens de 50x50 pixels, que são armazenadas em uma lista. Para cada uma destas sub-imagens é realizada a extração das características utilizando o GLCM, cujos valores são utilizados para calcular a distância da similaridade desta sub-imagens com cada uma das classes encontradas pelo pro- cesso de treinamento, processo no qual foi utilizado como valor de tolerância ε = 0.1. Caso a