Las imágenes hiperespectrales recopilan y procesan información de todo el espectro electromagnético . [1] El objetivo de la imagen hiperespectral es obtener el espectro de cada píxel de la imagen de una escena, con el fin de encontrar objetos, identificar materiales o detectar procesos. [2] [3] Hay tres tipos generales de generadores de imágenes espectrales. Hay escáneres de escoba y escáneres de escoba relacionados (escaneo espacial), que leen imágenes a lo largo del tiempo, escáneres secuenciales de banda (escaneo espectral), que adquieren imágenes de un área en diferentes longitudes de onda, y generadores de imágenes hiperespectrales instantáneas , que utilizan una matriz de observación. para generar una imagen en un instante.
Mientras que el ojo humano ve el color de la luz visible principalmente en tres bandas (longitudes de onda largas, percibidas como roja; longitudes de onda media, percibidas como verde; y longitudes de onda corta, percibidas como azul), las imágenes espectrales dividen el espectro en muchas más bandas. Esta técnica de dividir imágenes en bandas puede extenderse más allá de lo visible. En las imágenes hiperespectrales, los espectros registrados tienen una resolución de longitud de onda fina y cubren una amplia gama de longitudes de onda. Las imágenes hiperespectrales miden bandas espectrales continuas, a diferencia de las imágenes multibanda que miden bandas espectrales espaciadas. [4]
Los ingenieros construyen sensores hiperespectrales y sistemas de procesamiento para aplicaciones en astronomía, agricultura, biología molecular, imágenes biomédicas, geociencias, física y vigilancia. Los sensores hiperespectrales observan objetos utilizando una gran parte del espectro electromagnético. Ciertos objetos dejan "huellas digitales" únicas en el espectro electromagnético. Conocidas como firmas espectrales, estas "huellas dactilares" permiten la identificación de los materiales que componen un objeto escaneado. Por ejemplo, una firma espectral del petróleo ayuda a los geólogos a encontrar nuevos yacimientos petrolíferos . [5]
En sentido figurado, los sensores hiperespectrales recopilan información como un conjunto de "imágenes". Cada imagen representa un rango estrecho de longitud de onda del espectro electromagnético, también conocido como banda espectral. Estas "imágenes" se combinan para formar un cubo de datos hiperespectrales tridimensional ( x , y , λ ) para su procesamiento y análisis, donde xey representan dos dimensiones espaciales de la escena, y λ representa la dimensión espectral (que comprende un rango de longitudes de onda). [6]
Técnicamente hablando, hay cuatro formas en que los sensores pueden tomar muestras del cubo hiperespectral: escaneo espacial, escaneo espectral, imágenes instantáneas [5] [7] y escaneo espacio-espectral. [8]
Los cubos hiperespectrales se generan a partir de sensores aéreos como el espectrómetro de imágenes infrarrojas/visibles aerotransportado (AVIRIS) de la NASA, o de satélites como el EO-1 de la NASA con su instrumento hiperespectral Hyperion. [9] [10] Sin embargo, para muchos estudios de desarrollo y validación, se utilizan sensores portátiles. [11]
La precisión de estos sensores normalmente se mide en resolución espectral, que es el ancho de cada banda del espectro que se captura. Si el escáner detecta una gran cantidad de bandas de frecuencia bastante estrechas, es posible identificar objetos incluso si solo se capturan en un puñado de píxeles. Sin embargo, la resolución espacial es un factor además de la resolución espectral. Si los píxeles son demasiado grandes, se capturan varios objetos en el mismo píxel y resultan difíciles de identificar. Si los píxeles son demasiado pequeños, entonces la intensidad capturada por cada celda del sensor es baja y la relación señal-ruido reducida reduce la confiabilidad de las características medidas.
La adquisición y el procesamiento de imágenes hiperespectrales también se denomina espectroscopia de imágenes o, en referencia al cubo hiperespectral, espectroscopia 3D.
Existen cuatro técnicas básicas para adquirir el conjunto de datos tridimensional ( x , y , λ ) de un cubo hiperespectral. La elección de la técnica depende de la aplicación específica, ya que cada técnica tiene ventajas y desventajas que dependen del contexto.
En el escaneo espacial, cada salida de sensor bidimensional (2D) representa un espectro de rendija completo ( x , λ ). Los dispositivos de imágenes hiperespectrales (HSI) para escaneo espacial obtienen espectros de rendija proyectando una franja de la escena en una rendija y dispersando la imagen de la rendija con un prisma o una rejilla. Estos sistemas tienen el inconveniente de tener la imagen analizada por líneas (con un escáner de escoba ) y además tener algunas piezas mecánicas integradas en el tren óptico. Con estas cámaras de escaneo lineal , la dimensión espacial se recopila mediante el movimiento o escaneo de la plataforma. Esto requiere monturas estabilizadas o información de orientación precisa para "reconstruir" la imagen. Sin embargo, los sistemas de escaneo lineal son particularmente comunes en la teledetección , donde es sensato utilizar plataformas móviles. Los sistemas de escaneo lineal también se utilizan para escanear materiales que se mueven sobre una cinta transportadora. Un caso especial de escaneo lineal es el escaneo puntual (con un escáner de escoba ), donde se utiliza una apertura puntual en lugar de una rendija, y el sensor es esencialmente unidimensional en lugar de 2D. [7] [12]
En el escaneo espectral, cada salida de sensor 2D representa un mapa espacial ( x , y ) monocromático (es decir, de longitud de onda única) de la escena. Los dispositivos HSI para escaneo espectral generalmente se basan en filtros ópticos de paso de banda (ya sean sintonizables o fijos). La escena se escanea espectralmente intercambiando un filtro tras otro mientras la plataforma permanece estacionaria. En tales sistemas de escaneo de longitud de onda de "mirada fija", se puede producir mancha espectral si hay movimiento dentro de la escena, invalidando la correlación/detección espectral. No obstante, existe la ventaja de poder seleccionar bandas espectrales y tener una representación directa de las dos dimensiones espaciales de la escena. [6] [7] [12] Si el sistema de imágenes se utiliza en una plataforma móvil, como un avión, las imágenes adquiridas en diferentes longitudes de onda corresponden a diferentes áreas de la escena. Las características espaciales de cada una de las imágenes se pueden utilizar para realinear los píxeles.
Sin escaneo, una única salida de sensor 2D contiene todos los datos espaciales ( x , y ) y espectrales ( λ ). Los dispositivos HSI sin escaneo generan el cubo de datos completo de una vez, sin ningún escaneo. En sentido figurado, una sola instantánea representa una proyección en perspectiva del cubo de datos, a partir de la cual se puede reconstruir su estructura tridimensional. [7] [13] Los beneficios más destacados de estos sistemas de imágenes hiperespectrales instantáneas son la ventaja de las instantáneas (mayor rendimiento de luz) y un tiempo de adquisición más corto. Se han diseñado varios sistemas, entre ellos la espectrometría de imágenes por tomografía computarizada (CTIS), la espectrometría de imágenes de reformateo de fibras (FRIS), la espectroscopia de campo integral con conjuntos de lentes (IFS-L), el espectrómetro de campo integral de apertura múltiple (Hyperpixel Array), el sistema integral espectroscopia de campo con espejos de corte de imágenes (IFS-S), espectrometría de imágenes con replicación de imágenes (IRIS), descomposición espectral de la pila de filtros (FSSD), imágenes espectrales de instantáneas de apertura codificada (CASSI), espectrometría de mapeo de imágenes (IMS) e interferometría multiespectral de Sagnac ( MSI). [14] Sin embargo, el esfuerzo computacional y los costos de fabricación son altos. En un esfuerzo por reducir las demandas computacionales y potencialmente el alto costo de la instrumentación hiperespectral sin escaneo, se han demostrado dispositivos prototipo basados en Computación Óptica Multivariada . Estos dispositivos se han basado en el motor de cálculo espectral Multivariate Optical Element [15] [16] o en el motor de cálculo espectral Spatial Light Modulator [17] . En estas plataformas, la información química se calcula en el dominio óptico antes de la obtención de imágenes, de modo que la imagen química se basa en sistemas de cámaras convencionales sin necesidad de computación adicional. Como desventaja de estos sistemas, nunca se adquiere información espectral, es decir, sólo la información química, de modo que no es posible el procesamiento posterior o el reanálisis.
En el escaneo espacioespectral, cada salida del sensor 2D representa un mapa espacial ( x , y ) codificado en longitud de onda ("color del arco iris", λ = λ ( y )) de la escena. Un prototipo de esta técnica, presentado en 2014, consiste en una cámara a una distancia distinta de cero detrás de un espectroscopio de rendija básico (rendija + elemento dispersivo). [8] [18] Se pueden obtener sistemas avanzados de escaneo espacioespectral colocando un elemento dispersivo antes de un sistema de escaneo espacial. El escaneo se puede lograr moviendo todo el sistema en relación con la escena, moviendo solo la cámara o moviendo solo la rendija. El escaneo espacial espectral reúne algunas ventajas del escaneo espacial y espectral, aliviando así algunas de sus desventajas. [8]
Las imágenes hiperespectrales son parte de una clase de técnicas comúnmente denominadas imágenes espectrales o análisis espectral . El término “imágenes hiperespectrales” deriva del desarrollo del espectrómetro de imágenes aerotransportado (AIS) y AVIRIS de la NASA a mediados de los años 1980. Aunque la NASA prefiere el término anterior "espectroscopia de imágenes" a "imágenes hiperespectrales", el uso de este último término se ha vuelto más frecuente en el lenguaje científico y no científico. En una carta revisada por pares, los expertos recomiendan utilizar los términos “espectroscopia de imágenes” o “imágenes espectrales” y evitar prefijos exagerados como “hiper”, “super” y “ultra”, para evitar nombres inapropiados en la discusión. [19]
Las imágenes hiperespectrales están relacionadas con las imágenes multiespectrales . La distinción entre hiper y multibanda a veces se basa incorrectamente en un "número de bandas" arbitrario o en el tipo de medición. Las imágenes hiperespectrales (HSI) utilizan rangos continuos y contiguos de longitudes de onda (por ejemplo, 400 - 1100 nm en pasos de 1 nm), mientras que las imágenes multibanda (MSI) utilizan un subconjunto de longitudes de onda específicas en ubicaciones elegidas (por ejemplo, 400 - 1100 nm en pasos de 20 nm). ). [20]
Las imágenes multibanda se ocupan de varias imágenes en bandas discretas y algo estrechas. Ser "discretas y algo estrechas" es lo que distingue las imágenes multiespectrales en la longitud de onda visible de la fotografía en color . Un sensor multiespectral puede tener muchas bandas que cubren el espectro desde el visible hasta el infrarrojo de onda larga. Las imágenes multiespectrales no producen el "espectro" de un objeto. Landsat es un ejemplo práctico destacado de imágenes multiespectrales.
Hiperespectral se ocupa de obtener imágenes de bandas espectrales estrechas en un rango espectral continuo, produciendo los espectros de todos los píxeles de la escena. Un sensor con sólo 20 bandas también puede ser hiperespectral cuando cubre el rango de 500 a 700 nm con 20 bandas cada una de 10 nm de ancho, mientras que un sensor con 20 bandas discretas cubre el infrarrojo visible, cercano, de onda corta, de onda media y de onda larga. Se consideraría multiespectral.
Ultraespectral podría reservarse para sensores de imágenes de tipo interferómetro con una resolución espectral muy fina. Estos sensores suelen tener (pero no necesariamente) una baja resolución espacial de sólo unos pocos píxeles , una restricción impuesta por la alta velocidad de datos.
La teledetección hiperespectral se utiliza en una amplia gama de aplicaciones. Aunque se desarrolló originalmente para la minería y la geología (la capacidad de las imágenes hiperespectrales para identificar varios minerales lo hace ideal para las industrias minera y petrolera, donde puede usarse para buscar minerales y petróleo), [11] [21] ahora se ha extendido en campos tan extendidos como la ecología y la vigilancia, así como la investigación de manuscritos históricos, como la obtención de imágenes del Palimpsesto de Arquímedes . Esta tecnología está cada vez más disponible para el público. Organizaciones como la NASA y el USGS tienen catálogos de varios minerales y sus firmas espectrales, y los han publicado en línea para que estén fácilmente disponibles para los investigadores. En una escala más pequeña, las imágenes hiperespectrales NIR se pueden utilizar para monitorear rápidamente la aplicación de pesticidas a semillas individuales para controlar la calidad de la dosis óptima y la cobertura homogénea.
Aunque el costo de adquirir imágenes hiperespectrales suele ser alto para cultivos específicos y en climas específicos, el uso de la teledetección hiperespectral está aumentando para monitorear el desarrollo y la salud de los cultivos. En Australia , se está trabajando para utilizar espectrómetros de imágenes para detectar variedades de uva y desarrollar un sistema de alerta temprana para brotes de enfermedades. [22] Además, se está trabajando para utilizar datos hiperespectrales para detectar la composición química de las plantas, [23] que pueden usarse para detectar el estado de nutrientes y agua del trigo en sistemas de riego. [24] En una escala más pequeña, las imágenes hiperespectrales NIR se pueden utilizar para monitorear rápidamente la aplicación de pesticidas a semillas individuales para el control de calidad de la dosis óptima y la cobertura homogénea. [25]
Otra aplicación en agricultura es la detección de proteínas animales en piensos compuestos para evitar la encefalopatía espongiforme bovina (EEB) , también conocida como enfermedad de las vacas locas. Se han realizado diferentes estudios para proponer herramientas alternativas al método de detección de referencia ( microscopía clásica ). Una de las primeras alternativas es la microscopía de infrarrojo cercano (NIR), que combina las ventajas de la microscopía y la NIR. En 2004 se publicó el primer estudio que relacionaba este problema con las imágenes hiperespectrales. [26] Se construyeron bibliotecas hiperespectrales que son representativas de la diversidad de ingredientes normalmente presentes en la preparación de piensos compuestos. Estas bibliotecas se pueden utilizar junto con herramientas quimiométricas para investigar el límite de detección, especificidad y reproducibilidad del método de imágenes hiperespectrales NIR para la detección y cuantificación de ingredientes animales en piensos.
Las cámaras HSI también se pueden utilizar para detectar el estrés causado por metales pesados en las plantas y convertirse en una alternativa más temprana y rápida a los métodos químicos húmedos poscosecha. [27] [28]
Las imágenes hiperespectrales también se utilizan en zoología; se utiliza para investigar la distribución espacial de la coloración y su extensión al infrarrojo cercano y al rango SWIR del espectro. [29] Algunos animales, por ejemplo, como algunas ranas tropicales y ciertos insectos que se posan en las hojas, son altamente reflectantes en el infrarrojo cercano. [29] [30]
Las imágenes hiperespectrales pueden proporcionar información sobre los componentes químicos de los materiales, lo que las hace útiles para la clasificación y el reciclaje de residuos . [31] Se ha aplicado para distinguir entre sustancias con diferentes tejidos y para identificar fibras naturales, animales y sintéticas. [32] Las cámaras HSI pueden integrarse con sistemas de visión artificial y, a través de plataformas simplificadas, permiten a los clientes finales crear nuevas aplicaciones de clasificación de residuos y otras aplicaciones de clasificación/identificación. [33] Un sistema de aprendizaje automático y cámara hiperespectral puede distinguir entre 12 tipos diferentes de plásticos, como PET y PP, para la separación automatizada de residuos de, a partir de 2020, productos plásticos altamente no estandarizados [34] [ se necesitan citas adicionales ] y embalaje . [35] [36]
Investigadores de la Universidad de Montreal están trabajando con Photon, etc. y Optina Diagnostics [37] para probar el uso de la fotografía hiperespectral en el diagnóstico de la retinopatía y el edema macular antes de que se produzcan daños en el ojo. La cámara metabólica hiperespectral detectará una caída en el consumo de oxígeno en la retina, lo que indica una posible enfermedad. Luego, un oftalmólogo podrá tratar la retina con inyecciones para evitar posibles daños. [38]
En la industria de procesamiento de alimentos , las imágenes hiperespectrales, combinadas con software inteligente, permiten a los clasificadores digitales (también llamados clasificadores ópticos ) identificar y eliminar defectos y materiales extraños (FM) que son invisibles para los clasificadores tradicionales con cámara y láser. [39] [40] Al mejorar la precisión de la eliminación de defectos y FM, el objetivo del procesador de alimentos es mejorar la calidad del producto y aumentar el rendimiento.
La adopción de imágenes hiperespectrales en clasificadores digitales logra una inspección no destructiva y 100 por ciento en línea en volúmenes de producción completos. El software del clasificador compara las imágenes hiperespectrales recopiladas con los umbrales de aceptación/rechazo definidos por el usuario, y el sistema de expulsión elimina automáticamente los defectos y el material extraño.
La reciente adopción comercial de clasificadores de alimentos basados en sensores hiperespectrales está más avanzada en la industria de las nueces, donde los sistemas instalados maximizan la eliminación de piedras, cáscaras y otros materiales extraños (FM) y materia vegetal extraña (EVM) de nueces, nueces, almendras y pistachos. , maní y otros frutos secos. En este caso, la calidad mejorada del producto, las bajas tasas de falsos rechazos y la capacidad de manejar altas cargas de defectos entrantes a menudo justifican el costo de la tecnología.
La adopción comercial de clasificadores hiperespectrales también está avanzando a un ritmo rápido en la industria procesadora de patatas, donde la tecnología promete resolver una serie de problemas pendientes de calidad del producto. Se está trabajando para utilizar imágenes hiperespectrales para detectar “puntas de azúcar”, [41] “corazón hueco” [42] y “sarna común” [43] afecciones que afectan a los procesadores de patatas.
Las muestras geológicas, como los núcleos de perforación , se pueden mapear rápidamente para casi todos los minerales de interés comercial con imágenes hiperespectrales. La fusión de imágenes espectrales SWIR y LWIR es estándar para la detección de minerales en los grupos feldespato , sílice , calcita , granate y olivino , ya que estos minerales tienen su firma espectral más distintiva y fuerte en las regiones LWIR. [44]
La teledetección hiperespectral de minerales está bien desarrollada. Se pueden identificar muchos minerales a partir de imágenes aéreas y se comprende bien su relación con la presencia de minerales valiosos, como el oro y los diamantes. Actualmente, se avanza hacia la comprensión de la relación entre las fugas de petróleo y gas de oleoductos y pozos naturales, y sus efectos sobre la vegetación y las firmas espectrales. Los trabajos recientes incluyen las tesis doctorales de Werff [45] y Noomen. [46]
La vigilancia hiperespectral es la implementación de tecnología de escaneo hiperespectral con fines de vigilancia . Las imágenes hiperespectrales son particularmente útiles en la vigilancia militar debido a las contramedidas que ahora toman las entidades militares para evitar la vigilancia aérea. La idea que impulsa la vigilancia hiperespectral es que el escaneo hiperespectral extrae información de una porción tan grande del espectro de luz que cualquier objeto determinado debería tener una firma espectral única en al menos algunas de las muchas bandas que se escanean. Las imágenes hiperespectrales también han demostrado potencial para usarse con fines de reconocimiento facial . Se ha demostrado que los algoritmos de reconocimiento facial que utilizan imágenes hiperespectrales funcionan mejor que los algoritmos que utilizan imágenes tradicionales. [47]
Tradicionalmente, los sistemas de imágenes hiperespectrales infrarrojas térmicas disponibles comercialmente han necesitado enfriamiento con nitrógeno líquido o helio , lo que los ha hecho poco prácticos para la mayoría de las aplicaciones de vigilancia. En 2010, Specim presentó una cámara hiperespectral infrarroja térmica que se puede utilizar para vigilancia en exteriores y aplicaciones de vehículos aéreos no tripulados sin una fuente de luz externa como el sol o la luna. [48] [49]
En astronomía, las imágenes hiperespectrales se utilizan para determinar una imagen espectral resuelta espacialmente. Dado que un espectro es un diagnóstico importante, tener un espectro para cada píxel permite abordar más casos científicos. En astronomía, esta técnica se conoce comúnmente como espectroscopía de campo integral , y ejemplos de esta técnica incluyen FLAMES [50] y SINFONI [51] en el Very Large Telescope , pero también el espectrómetro de imágenes CCD avanzado del Observatorio de rayos X Chandra utiliza esta técnica. técnica.
Los soldados pueden estar expuestos a una amplia variedad de peligros químicos. Estas amenazas son en su mayoría invisibles pero detectables mediante tecnología de imágenes hiperespectrales. La Telops Hyper-Cam, introducida en 2005, lo ha demostrado a distancias de hasta 5 km. [53]
La mayoría de los países exigen un seguimiento continuo de las emisiones producidas por las centrales eléctricas alimentadas con carbón y petróleo, los incineradores de residuos municipales y peligrosos, las plantas de cemento y muchos otros tipos de fuentes industriales. Este seguimiento se suele realizar mediante sistemas de muestreo extractivos acoplados a técnicas de espectroscopía infrarroja. Algunas mediciones recientes realizadas permitieron la evaluación de la calidad del aire, pero no muchos métodos independientes remotos permiten mediciones de baja incertidumbre.
Investigaciones recientes indican que las imágenes hiperespectrales pueden ser útiles para detectar el desarrollo de grietas en los pavimentos [55] que son difíciles de detectar a partir de imágenes tomadas con cámaras de espectro visible. [55]
Las imágenes hiperespectrales también se han utilizado para detectar cáncer, identificar nervios y analizar hematomas. [56]
La principal ventaja de las imágenes hiperespectrales es que, debido a que se adquiere un espectro completo en cada punto, el operador no necesita conocimiento previo de la muestra y el posprocesamiento permite extraer toda la información disponible del conjunto de datos. Las imágenes hiperespectrales también pueden aprovechar las relaciones espaciales entre los diferentes espectros de un vecindario, permitiendo modelos espectrales-espaciales más elaborados para una segmentación y clasificación más precisa de la imagen. [57] [58]
Las principales desventajas son el costo y la complejidad. Se necesitan computadoras rápidas, detectores sensibles y grandes capacidades de almacenamiento de datos para analizar datos hiperespectrales. Se necesita una capacidad de almacenamiento de datos significativa, ya que los cubos hiperespectrales sin comprimir son conjuntos de datos grandes y multidimensionales que pueden superar los cientos de megabytes . Todos estos factores aumentan en gran medida el costo de adquirir y procesar datos hiperespectrales. Además, uno de los obstáculos que han tenido que afrontar los investigadores es encontrar formas de programar satélites hiperespectrales para que clasifiquen los datos por sí solos y transmitan sólo las imágenes más importantes, ya que tanto la transmisión como el almacenamiento de esa cantidad de datos podrían resultar difíciles y costosos. [9] Como técnica analítica relativamente nueva, aún no se ha aprovechado todo el potencial de las imágenes hiperespectrales.
{{citation}}
: Mantenimiento CS1: varios nombres: lista de autores ( enlace ){{cite journal}}
: Citar diario requiere |journal=
( ayuda )