Hyperspectral Imaging

A imagem hiperespectral (HSI) registra todo o espectro da luz refletida ou emitida para cada pixel de uma imagem, amostrado em dezenas a centenas de bandas estreitas e contíguas de comprimento de onda. Essas bandas estreitas resolvem as características de absorção que minerais, pigmentos vegetais, plásticos e tecidos deixam em comprimentos de onda característicos; assim, o espectro de um pixel, sua assinatura espectral, identifica de que material uma superfície é feita mesmo quando dois materiais parecem idênticos para uma câmera colorida. O resultado é um cubo de dados tridimensional com dois eixos espaciais e um eixo espectral, que modelos de visão computacional e aprendizado de máquina leem pixel a pixel ou como um volume espacial-espectral conjunto. O Jet Propulsion Laboratory da NASA opera seu espectrômetro aéreo AVIRIS desde o fim da década de 1980, registrando 224 bandas contíguas de 400 a 2.500 nanômetros.

Como uma Câmera Hiperespectral Cria o Cubo de Dados#

Um espectrômetro de imageamento separa a luz incidente por comprimento de onda com um prisma, uma rede de difração ou um conjunto de filtros e a registra em um detector bidimensional. Como o detector tem apenas duas dimensões, o terceiro eixo do cubo é obtido por varredura:

• Pushbroom (varredura de linha): Uma fenda admite uma linha da cena, o espectrômetro distribui pelo detector a luz dessa linha de acordo com o comprimento de onda, e o cubo é formado linha a linha conforme a aeronave, o satélite ou a esteira transportadora se move.
• Whiskbroom: Um espelho giratório varre a cena com um único ponto, como no instrumento AVIRIS clássico.
• Varredura espectral: Um filtro sintonizável captura uma imagem completa por banda, em sequência, o que é adequado para microscópios e outras cenas estáticas.
• Instantânea: Uma matriz de filtros no sensor captura o cubo inteiro em uma única exposição, com taxas de vídeo, à custa da resolução espacial.

Imagem Hiperespectral vs. Multiespectral e RGB#

Uma câmera RGB registra três bandas amplas, e a imagem multiespectral registra um punhado de bandas amplas escolhidas de antemão, como as 13 bandas dos satélites Sentinel-2 da ESA, suficientes para índices de vegetação como NDVI. Os sensores hiperespectrais amostram o espectro de forma contígua: o espectrômetro de imageamento EMIT da NASA, instalado na Estação Espacial Internacional, registra 285 bandas entre 381 e 2.493 nanômetros, com intervalos de cerca de 7,5 nanômetros. Esse nível de detalhe implica mais volume de dados, uma relação sinal-ruído menor por banda e forte correlação entre bandas vizinhas; por isso, os pipelines costumam comprimir o cubo com análise de componentes principais ou seleção de bandas antes do treinamento, uma forma de redução de dimensionalidade. A análise de imagens de satélite usa os dois tipos de imagem, e a fusão de sensores costuma combinar um cubo hiperespectral com elevação LiDAR ou imagens RGB de alta resolução.

Análise de Dados Hiperespectrais com IA#

Primeiro, as contagens brutas do sensor são convertidas em reflectância por calibração radiométrica e, no caso de dados aéreos e de satélite, por correção atmosférica, como parte do pré-processamento de dados. Em seguida, os métodos clássicos comparam cada pixel a espectros de referência: o mapeador de ângulo espectral calcula o ângulo entre dois espectros independentemente do brilho, e a mistura linear estima que fração de um pixel misto é contribuída por cada material puro, ou membro final. Modelos de aprendizado profundo classificam espectros 1D, executam redes neurais convolucionais 2D sobre componentes principais ou aplicam convoluções 3D e transformers a trechos espaciais-espectrais. Sem rótulos, a detecção de anomalias sinaliza pixels cujos espectros diferem do plano de fundo da cena, como uma nuvem de gás ou um objeto camuflado.

A classificação de pixels, a forma hiperespectral da segmentação semântica, é avaliada em pequenas cenas aéreas como Indian Pines, capturada pelo AVIRIS no noroeste de Indiana com 145×145 pixels e 224 bandas, ou 200 após a remoção das bandas de absorção de água, e 16 classes de culturas e cobertura do solo; e Pavia University, capturada pelo sensor ROSIS com 610×340 pixels, 103 bandas e 9 classes. Divisões aleatórias de pixels de uma única cena colocam pixels vizinhos quase idênticos nos conjuntos de treinamento e teste, uma forma de vazamento de dados que infla a precisão; por isso, avaliações confiáveis reservam regiões espacialmente separadas.

O Ultralytics YOLO lê o número de canais de entrada da chave channels de um YAML de conjunto de dados e carrega imagens TIFF multicanais; assim, um modelo de detecção de objetos YOLO26 pode ser treinado com uma pilha de bandas selecionadas ou componentes principais, como demonstra o conjunto de dados COCO8-Multispectral de 10 canais.

Aplicações no mundo real#

• Agricultura de precisão: O estresse hídrico, a deficiência de nutrientes e as doenças alteram as características de absorção da clorofila e da água nos espectros das folhas; por isso, câmeras em drones e aeronaves mapeiam a saúde das culturas campo a campo.
• Reciclagem e triagem de alimentos: Câmeras de varredura de linha no infravermelho próximo, instaladas sobre esteiras transportadoras, distinguem polímeros como PET, polietileno e polipropileno por seus espectros de absorção, e linhas de processamento de alimentos usam o mesmo princípio para encontrar materiais estranhos e hematomas.
• Análise de imagens médicas: A hemoglobina oxigenada e a desoxigenada absorvem luz de maneira diferente; por isso, câmeras hiperespectrais mapeiam a saturação de oxigênio e a perfusão dos tecidos para avaliar feridas e orientar cirurgias sem agentes de contraste.
• Observação da Terra: O EMIT foi criado para mapear os minerais presentes em fontes de poeira desértica, e as mesmas medições no infravermelho de ondas curtas identificam as características de absorção do metano, permitindo que o instrumento localize plumas de metano em aterros sanitários e instalações de petróleo e gás no mundo todo.