Las imágenes hiperespectrales recopilan y procesan información de todo el espectro electromagnético . [1] El objetivo de las imágenes hiperespectrales es obtener el espectro de cada píxel en 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 barrido de empuje y los escáneres de barrido de batidor 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, e generadores de imágenes hiperespectrales instantáneos , 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 en tres bandas principalmente (longitudes de onda largas, percibidas como rojo; longitudes de onda medias, percibidas como verde; y longitudes de onda cortas, percibidas como azul), la imagen espectral divide el espectro en muchas más bandas. Esta técnica de dividir imágenes en bandas puede extenderse más allá del espectro visible. En la imagen hiperespectral, los espectros registrados tienen una resolución de longitud de onda fina y cubren una amplia gama de longitudes de onda. La imagen hiperespectral mide bandas espectrales continuas, a diferencia de la imagen multibanda que mide 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" únicas en el espectro electromagnético. Estas "huellas" conocidas como firmas espectrales 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 longitudes 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 x e y 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 muestrear el cubo hiperespectral: escaneo espacial, escaneo espectral, imágenes instantáneas [5] [7] y escaneo espacio-espectral [8] .
Los cubos hiperespectrales se generan a partir de sensores aerotransportados como el Espectrómetro de Imágenes Visibles/Infrarrojas Aerotransportadas (AVIRIS) de la NASA, o desde 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 se mide normalmente 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 adicional a la resolución espectral. Si los píxeles son demasiado grandes, se capturan varios objetos en el mismo píxel y resulta difícil identificarlos. Si los píxeles son demasiado pequeños, la intensidad capturada por cada celda del sensor es baja y la menor relación señal-ruido 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 tridimensionales ( 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 tira de la escena sobre 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 barrido de empuje ) y también tener algunas partes mecánicas integradas en el tren óptico. Con estas cámaras de escaneo de línea , la dimensión espacial se recopila a través del movimiento o escaneo de la plataforma. Esto requiere montajes estabilizados o información de apuntamiento precisa para 'reconstruir' la imagen. No obstante, los sistemas de escaneo de línea son particularmente comunes en teledetección , donde es sensato utilizar plataformas móviles. Los sistemas de escaneo de línea también se utilizan para escanear materiales que se mueven en 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 una sola longitud de onda) de la escena. Los dispositivos HSI para escaneo espectral se basan típicamente en filtros ópticos de paso de banda (ya sea ajustables 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 "observación fija", se puede producir una mancha espectral si hay movimiento dentro de la escena, invalidando la correlación/detección espectral. No obstante, existe la ventaja de poder elegir 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.
En el caso de no escaneo, una única salida de sensor 2D contiene todos los datos espaciales ( x , y ) y espectrales ( λ ). Los dispositivos HSI para el caso de no escaneo producen el cubo de datos completo de una sola vez, sin ningún escaneo. En sentido figurado, una única 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 la instantánea (mayor rendimiento de luz) y un tiempo de adquisición más corto. Se han diseñado varios sistemas, entre ellos la espectrometría de imágenes tomográficas computarizadas (CTIS), la espectrometría de imágenes con reformateo de fibras (FRIS), la espectroscopia de campo integral con matrices de lentillas (IFS-L), el espectrómetro de campo integral de múltiples aperturas (Hyperpixel Array), la espectroscopia de campo integral con espejos de corte de imagen (IFS-S), la espectrometría de imágenes con replicación de imágenes (IRIS), la descomposición espectral de pilas de filtros (FSSD), la obtención de imágenes espectrales mediante instantáneas de apertura codificada (CASSI), la espectrometría de mapeo de imágenes (IMS) y la 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 multivariante . Estos dispositivos se han basado en el motor de cálculo espectral del elemento óptico multivariante [15] [16] o el motor de cálculo espectral del modulador de luz espacial [17] . En estas plataformas, la información química se calcula en el dominio óptico antes de la obtención de la imagen, de modo que la imagen química depende de sistemas de cámara convencionales sin necesidad de realizar cálculos adicionales. Una desventaja de estos sistemas es que nunca se adquiere información espectral, es decir, solo la información química, de modo que no es posible realizar un posprocesamiento o un nuevo análisis.
En el escaneo espacioespectral, cada salida de sensor 2D representa un mapa espacial ( x , y ) de la escena codificado por longitud de onda ("color arco iris", λ = λ ( y )). Un prototipo para 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 espacioespectral une algunas ventajas del escaneo espacial y espectral, aliviando así algunas de sus desventajas. [8]
La obtención de imágenes hiperespectrales forma parte de una clase de técnicas conocidas comúnmente como obtención de imágenes espectrales o análisis espectral . El término “obtención de imágenes hiperespectrales” deriva del desarrollo del Espectrómetro de Imágenes Aerotransportadas (AIS) y AVIRIS de la NASA a mediados de los años 1980. Aunque la NASA prefiere el término anterior “espectroscopia de imágenes” en lugar de “obtención de 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 “obtención de imágenes espectrales” y evitar prefijos exagerados como “hiper-”, “super-” y “ultra-”, para evitar denominaciones erróneas en la discusión. [19]
La obtención de imágenes hiperespectrales está relacionada con la obtención de imágenes multiespectrales . La distinción entre hiperbanda y multibanda a veces se basa incorrectamente en un "número de bandas" arbitrario o en el tipo de medición. La obtención de imágenes hiperespectrales (HSI) utiliza rangos continuos y contiguos de longitudes de onda (p. ej., 400-1100 nm en pasos de 1 nm), mientras que la obtención de imágenes multibanda (MSI) utiliza un subconjunto de longitudes de onda específicas en ubicaciones elegidas (p. ej., 400-1100 nm en pasos de 20 nm). [20]
Las imágenes multibanda se ocupan de varias imágenes en bandas discretas y algo estrechas. El hecho de 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 cubran 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.
La tecnología hiperespectral se ocupa de la obtención de imágenes de bandas espectrales estrechas en un rango espectral continuo, lo que produce los espectros de todos los píxeles de la escena. Un sensor con solo 20 bandas también puede ser hiperespectral cuando cubre el rango de 500 a 700 nm con 20 bandas de 10 nm de ancho cada una, mientras que un sensor con 20 bandas discretas que cubran el infrarrojo visible, cercano, de onda corta, de onda media y de onda larga se consideraría multiespectral.
La ultraespectral podría reservarse para sensores de imágenes de tipo interferómetro con una resolución espectral muy fina. Estos sensores suelen tener (aunque no necesariamente) una resolución espacial baja de solo unos pocos píxeles , una restricción impuesta por la alta velocidad de datos.
La teledetección hiperespectral se utiliza en una amplia gama de aplicaciones. Aunque originalmente se desarrolló para la minería y la geología (la capacidad de la imagen hiperespectral para identificar diversos minerales la hace ideal para las industrias minera y petrolera, donde se puede utilizar para buscar mena y petróleo), [11] [21] ahora se ha extendido a campos tan amplios como la ecología y la vigilancia, así como la investigación de manuscritos históricos, como la imagen del Palimpsesto de Arquímedes . Esta tecnología está cada vez más disponible para el público. Organizaciones como la NASA y el USGS tienen catálogos de diversos minerales y sus firmas espectrales, y los han publicado en línea para que estén fácilmente disponibles para los investigadores. En una escala más pequeña, la imagen hiperespectral NIR se puede utilizar para monitorear rápidamente la aplicación de pesticidas a semillas individuales para el control de 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 se puede utilizar para detectar el estado de nutrientes y agua del trigo en sistemas de regadío. [24] En una escala más pequeña, la imagen hiperespectral NIR se puede 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 referencia de detección, ( microscopía clásica ). Una de las primeras alternativas es la microscopía de infrarrojo cercano (NIR), que combina las ventajas de la microscopía y el NIR. En 2004, se publicó el primer estudio que relaciona este problema con la imagen hiperespectral. [26] Se construyeron bibliotecas hiperespectrales que son representativas de la diversidad de ingredientes habitualmente presentes en la preparación de piensos compuestos. Estas bibliotecas se pueden utilizar junto con herramientas quimiométricas para investigar el límite de detección, la especificidad y la reproducibilidad del método de imagen hiperespectral NIR para la detección y cuantificación de ingredientes animales en piensos.
Las cámaras HSI también se pueden utilizar para detectar el estrés de los metales pesados en las plantas y convertirse en una alternativa más temprana y rápida a los métodos químicos húmedos posteriores a la cosecha. [27] [28]
La obtención de imágenes hiperespectrales también se utiliza en zoología; se utiliza para investigar la distribución espacial de la coloración y su extensión en el rango del infrarrojo cercano y SWIR del espectro. [29] Algunos animales, por ejemplo, como algunas ranas tropicales y ciertos insectos que se posan sobre 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 se pueden integrar con sistemas de visión artificial y, a través de plataformas simplificadoras, 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 una cámara hiperespectral pueden distinguir entre 12 tipos diferentes de plásticos, como PET y PP, para la separación automatizada de residuos de, a partir de 2020, productos y envases de plástico altamente no estandarizados [34] [ cita(s) adicional(es) necesaria (s) ] . [35] [36]
Los 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 hiperespectral metabólica detectará una caída en el consumo de oxígeno en la retina, lo que indica una posible enfermedad. Un oftalmólogo podrá entonces tratar la retina con inyecciones para prevenir cualquier daño potencial. [38]
En la industria de procesamiento de alimentos , las imágenes hiperespectrales, combinadas con software inteligente, permiten que los clasificadores digitales (también llamados clasificadores ópticos ) identifiquen y eliminen defectos y material extraño (FM) que son invisibles para los clasificadores láser y de cámara tradicionales. [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 los rendimientos.
La adopción de imágenes hiperespectrales en clasificadores digitales permite una inspección no destructiva del 100 por ciento en línea a 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 es más avanzada en la industria de los frutos secos, donde los sistemas instalados maximizan la eliminación de piedras, cáscaras y otros materiales extraños (FM) y materia vegetal extraña (EVM) de nueces, pecanas, almendras, pistachos, cacahuetes y otros frutos secos. En este caso, la mejora de la calidad del producto, las bajas tasas de falsos rechazos y la capacidad de gestionar grandes cantidades de defectos entrantes suelen justificar el coste de la tecnología.
La adopción comercial de clasificadores hiperespectrales también está avanzando a un ritmo rápido en la industria de procesamiento de papas, donde la tecnología promete resolver una serie de problemas pendientes de calidad del producto. Se está trabajando para utilizar imágenes hiperespectrales para detectar “extremos de azúcar”, [41] “corazón hueco” [42] y “sarna común”, [43] afecciones que afectan a los procesadores de papas.
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 de 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. Muchos minerales pueden identificarse a partir de imágenes aéreas y se conoce bien su relación con la presencia de minerales valiosos, como el oro y los diamantes. Actualmente, se está avanzando hacia la comprensión de la relación entre las fugas de petróleo y gas de los 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 la tecnología de escaneo hiperespectral con fines de vigilancia . La obtención de imágenes hiperespectrales es particularmente útil en la vigilancia militar debido a las contramedidas que las entidades militares toman ahora 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 dado debería tener una firma espectral única en al menos algunas de las muchas bandas que se escanean. La obtención de imágenes hiperespectrales también ha demostrado tener potencial para ser utilizada 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 refrigeración con nitrógeno líquido o helio , lo que los ha vuelto 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 UAV sin una fuente de luz externa como el sol o la luna. [48] [49]
En astronomía, la obtención de imágenes hiperespectrales se utiliza para determinar una imagen espectral con resolución espacial. Dado que el espectro es un diagnóstico importante, disponer de un espectro para cada píxel permite abordar más casos científicos. En astronomía, esta técnica se conoce comúnmente como espectroscopia de campo integral , y algunos ejemplos de esta técnica incluyen FLAMES [50] y SINFONI [51] en el Very Large Telescope , pero también el Espectrómetro de Imágenes CCD Avanzado en el Observatorio de rayos X Chandra utiliza esta 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, presentada en 2005, ha demostrado esto a distancias de hasta 5 km. [53]
La mayoría de los países exigen un seguimiento continuo de las emisiones producidas por las centrales eléctricas de carbón y petróleo, las incineradoras de residuos municipales y peligrosos, las plantas de cemento y muchos otros tipos de fuentes industriales. Este seguimiento se realiza habitualmente mediante sistemas de muestreo extractivo acoplados a técnicas de espectroscopia infrarroja. Algunas mediciones independientes realizadas recientemente permitieron evaluar la calidad del aire, pero no muchos métodos remotos independientes permiten realizar mediciones con 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, como se adquiere un espectro completo en cada punto, el operador no necesita tener 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 entorno, lo que permite modelos espectrales-espaciales más elaborados para una segmentación y clasificación más precisas de la imagen. [57] [58]
Las principales desventajas son el costo y la complejidad. Para analizar datos hiperespectrales se necesitan computadoras rápidas, detectores sensibles y grandes capacidades de almacenamiento de datos. Se necesita una capacidad de almacenamiento de datos significativa, ya que los cubos hiperespectrales sin comprimir son conjuntos de datos grandes y multidimensionales, que potencialmente superan los cientos de megabytes . Todos estos factores aumentan enormemente el costo de adquisición y procesamiento de datos hiperespectrales. Además, uno de los obstáculos que los investigadores han tenido que enfrentar es encontrar formas de programar satélites hiperespectrales para que clasifiquen los datos por sí solos y transmitan solo 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.
{{cite journal}}: CS1 maint: DOI inactivo a partir de septiembre de 2024 ( enlace ){{cite journal}}: CS1 maint: DOI inactivo a partir de septiembre de 2024 ( enlace ){{citation}}: CS1 maint: varios nombres: lista de autores ( enlace ){{cite journal}}: Requiere citar revista |journal=( ayuda )