MultiSpec - A Freeware Multispectral Image Data Analysis System

MultiSpec (Purdue LARS MultiSpec) é um programa gratuito de Análise de Dados de Imagens Multiespectrais, desenvolvido na Universidade de Purdue, Indiana - Estados Unidos, por David Landgrebe e Larry Biehl da Faculdade de Engenharia Elétrica e de Computadores, ITaP (Information Technology at Purdue) e LARS (Laboratory for Applications of Remote Sensing).
"É o resultado de um esforço de investigação há vários anos em curso, que se destina a definir uma tecnologia robusta e fundamental para a análise de dados de imagens multiespectrais e hiperespectrais, e transferir esta tecnologia para a comunidade de usuários de rápida mais possível. Os resultados da pesquisa são transpostos para o MultiSpec e disponibilizados à comunidade de usuários através das páginas de download. O MultiSpec junto com sua documentação é distribuída gratuitamente." (google translate).
O programa é portátil (não precisa de instalação) e bem pequeno e simples, rodando bem em Windows 7 x64 (ele é 32 bits) e com versões para MAC também (foi desenvolvido originalmente para esse sistema). Na página do MultiSpec tem além do programa, documentação (manuais) e tutoriais com imagens para treino, incluindo Hiperespectrais.
Acesse: https://engineering.purdue.edu/~biehl/MultiSpec
Publicações: https://engineering.purdue.edu/~landgreb/publications.html

As capacidades da versão atual (impressionantes, depois de deparar com a simplicidade dele) incluem:

• Importação de dados - Binários ou ASCII, nos formatos Band Interleaved by Line (BIL), Band Sequential (BSQ), ou Band Interleaved by Sample (BIS). Os valores dos dados podem ser 8-bit integer, 16-bit integer, 32-bit integer, 32-bit real ou 64-bit real.
• Visualiza imagens multiespectrais com uma variedade de formatos B/W ou em cores usando escalas de cinza lineares ou equal área; visualiza imagens temáticas também em B/W ou em cores, com a habilidade de controlar a cor usada para cada tema. Shapefiles podem ser usados para sobrepor as imagens.
• Histogramas  para determinar o regime da escala de cinzas para ser usada para a visualização ou listagens e gráficos.
• Reformatação dos arquivos de dados de várias formas, por exemplo, adicionando um cabeçalho padronizado, editando as bandas, combinando os arquivos, adicionando ou modificando as descrições das bandas, fazendo mosaico das imagens, modificando a geometria dos dados, e outras mudanças.
• Criar novas bandas das bandas existentes. As novas bandas podem ser resultado da Análise de Principais Componentes ou de extração de feições (feature extraction transformation) ou podem ser resultado  de razões de bandas ou combinação linear das bandas existentes divididas por uma combinação linear de diferentes bandas.
• Agrupamento (cluster) de dados usando tanto passo simples ou algoritmo interativo de agrupamento (isodata). Salvar os resultados para serem visualizados como um mapa temático. Estatísticas de cluster podem ser salvos como classes estatísticas. Usar o agrupamento seguido por ECHO classificação espectral/espacial fornecendo um esquema efetivo de cenário multivariado de segmentação.
• Definir classes designando campos de treinamento retangular ou poligonal ou com imagens de mascara, computar campos e classes estatísticas e definir campos de teste para usar na avaliação dos resultados da classificação quantitativamente. Uma função chamada "Enhance Statistics" permite também melhorar a medida estatística das classes definidas a se ajustarem a composição de todos os dados no conjunto. O esquema de estimação da covariância (LOOC) pode aperfeiçoar a estimativa para pequenos conjuntos de treinamento.
• Determinar as melhores feições espectrais para uso em uma dada classificação usando:

a)      Procurar o melhor conjunto de recursos usando qualquer uma das cinco medidas estatísticas de distância;

b)      Um método baseado diretamente sobre os limites de decisão definidos pelas amostras de treinamento;

c)       Outro método baseado diretamente em cima das funções discriminantes.

Também estão incluídos métodos especialmente projetados para procurar estreitar as características espectrais, tais como características espectroscópicas, e para a utilização do exercício de projeção como um meio de melhorar ainda mais as características extraídas.

• Classificar uma área designada no arquivo de dados. Seis algoritmos de classificação diferentes estão disponíveis: o uso da distância mínima da média, classificador de correlação (SAM), filtro adaptativo (CEM), discriminante linear de Fisher, a função Gaussiana de máxima probabilidade (máxima verossimilhança) de pixel, ou o ECHO classificador espectral / espacial. Salvar os resultados para exibir como um mapa temático, com ou sem campos de treinamento e de teste que estão sendo mostrados. Aplicar um limite para a classificação, e gerar um mapa de probabilidade / limiar mostrando o grau de pertinência de cada pixel à classe para qual foi designado.
• Listar os resultados da classificação de áreas de treinamento ou de teste em forma de tabela por campo, por turma, ou grupos de classes base.
• Mostrar gráficos dos valores espectrais de um pixel selecionado ou a média ± s para uma área selecionada. Mostrar diagramas de dispersão dos dados a partir de pares de bandas e elipses de concentração de conjuntos de treinamento e áreas selecionadas. Mostrar histogramas dos valores de dados das classes ou de campos utilizados para o treinamento. Mostrar as coordenadas de uma área selecionada.
• Mostrar uma apresentação colorida da matriz de correlação para um campo ou classe como uma ferramenta de visualização especial para dados hiperespectrais.
• Transferência de resultados intermediários ou finais sejam eles texto, imagem B / W ou imagem em cores, para outros programas como processadores de texto, planilha, programas gráficos ou copiando e colando ou salvando e depois abrir o arquivo salvo em outro aplicativo.