Hyperspectral Imaging

La imagen hiperespectral (HSI) combina la visión por computador y la espectroscopia para medir una escena en numerosas bandas estrechas de longitud de onda. En lugar de almacenar únicamente valores rojos, verdes y azules, cada píxel contiene un espectro detallado que puede revelar propiedades materiales, químicas o biológicas invisibles para las cámaras convencionales. Esto hace que la HSI sea valiosa para los sistemas de aprendizaje automático que deben identificar sustancias, evaluar estados o detectar anomalías sutiles. Un manual introductorio completo sobre imagen hiperespectral de 2026 describe la HSI como un método de detección no invasivo y sin marcadores, mientras que la introducción de la NASA a los cubos de datos hiperespectrales ilustra cómo las mediciones espaciales y espectrales forman un cubo de datos tridimensional. (nature.com)

Cómo funciona la imagen hiperespectral#

Una cámara hiperespectral mide la energía reflejada o emitida en decenas o cientos de bandas de longitud de onda contiguas. Según la introducción del USGS a la teledetección hiperespectral, este muestreo continuo permite que cada píxel proporcione un espectro de reflectancia. Estas firmas espectrales ayudan a distinguir materiales que parecen idénticos en imágenes RGB; por ejemplo, el espectrómetro de imagen EMIT de la NASA identifica minerales y gases atmosféricos mediante patrones de absorción característicos. (usgs.gov)

Una canalización de IA típica incluye:

1. Calibración del sensor y preprocesamiento de datos para corregir el ruido, la iluminación, los efectos atmosféricos y las bandas inutilizables.
2. Selección de bandas o análisis de componentes principales para reducir cientos de canales correlacionados.
3. Clasificación, detección de objetos, segmentación, regresión, detección de anomalías o desmezcla espectral.
4. Validación en distintas ubicaciones, fechas de adquisición y sensores para medir la generalización en condiciones reales.

Los modelos pueden procesar espectros con redes 1D, parches espaciales con redes 2D o volúmenes espaciales-espectrales conjuntos mediante operaciones como la convolución 3D de PyTorch.

Imagen hiperespectral frente a tecnologías de imagen relacionadas#

A diferencia de la imagen RGB, que utiliza tres bandas visibles amplias, la imagen multiespectral suele capturar un conjunto limitado de bandas discretas. La HSI normalmente registra muchas más bandas estrechas y muy próximas entre sí, lo que proporciona un mayor nivel de detalle espectral, pero genera conjuntos de datos más grandes y ruidosos. La guía del USGS sobre resolución espectral explica esta compensación entre el detalle espectral y la calidad de la señal. La imagen hiperespectral también es un método de detección, mientras que el análisis de imágenes por satélite describe cómo se interpretan las imágenes orbitales, y la fusión de sensores combina HSI con datos RGB, térmicos, LiDAR o de radar.

Aplicaciones de IA en el mundo real#

• Agricultura de precisión: Los modelos detectan enfermedades de los cultivos, estrés nutricional, malas hierbas y escasez de agua antes de que los síntomas sean visualmente evidentes. Una revisión de 2024 sobre aprendizaje profundo para HSI agrícola destaca las CNN, los transformadores, el aprendizaje por transferencia y el aprendizaje con pocos ejemplos para datos etiquetados limitados. (sciencedirect.com)
• Inspección industrial: Los sistemas de producción identifican contaminantes, humedad, composición química o materiales defectuosos. Un estudio de 2024 sobre seguridad alimentaria combinó HSI y ML para estimar el nitrito residual en carne procesada sin realizar pruebas destructivas. (mdpi.com)
• Análisis de imágenes médicas: Los patrones espectrales pueden contribuir a la clasificación de tejidos, la evaluación de la perfusión y la asistencia quirúrgica. La investigación sobre imagen hiperespectral laparoscópica en tiempo real demuestra los avances hacia la visualización intraoperatoria sin marcadores. (nature.com)
• Detección de anomalías: Los sistemas medioambientales pueden localizar firmas minerales poco frecuentes, contaminación o penachos de gases de efecto invernadero, como demuestran las observaciones de metano de EMIT y AVIRIS-3 de la NASA. (svs.gsfc.nasa.gov)

Prácticas recomendadas y avances actuales#

Conserva los metadatos de longitud de onda, los objetivos de calibración, la configuración del sensor y las mediciones con precisión completa; divide los conjuntos de datos espacialmente en lugar de hacerlo de forma aleatoria para evitar la fuga de datos; y valida entre distintas estaciones y sensores. Los flujos de trabajo también deben aplicar corrección de reflectancia, enmascaramiento de nubes, geolocalización y armonización de bandas pasantes, de forma similar a los algoritmos de procesamiento HLS de la NASA. (hls.gsfc.nasa.gov)

La investigación reciente avanza hacia modelos fundacionales espectrales adaptables. HyperFree aborda configuraciones de canales variables, mientras que un modelo fundacional espectral de propósito general explora la transferencia entre la teledetección próxima y la remota. Futuros sistemas, como la misión Copernicus CHIME de la ESA, reflejan el interés creciente por observaciones hiperespectrales estandarizadas y a gran escala. (arxiv.org)

Para crear prototipos de detección, las bandas HSI seleccionadas se pueden almacenar como archivos TIFF multicanal. El siguiente ejemplo ejecutable prueba este flujo de trabajo utilizando el conjunto de datos COCO8-Multispectral y YOLO26:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(data="coco8-multispectral.yaml", epochs=10, imgsz=640)

Este conjunto de datos simula diez canales visibles y está pensado para probar canalizaciones, no para realizar espectroscopia científica. Los proyectos reales de HSI deben conservar los cubos de origen calibrados y seleccionar las bandas relevantes para la tarea antes del entrenamiento. Los equipos pueden gestionar la anotación, los experimentos, el entrenamiento y la implementación mediante Ultralytics Platform.