La tecnología de imagen hiperespectral (HSI, por sus siglas en inglés) permite capturar información detallada a lo largo del espectro electromagnético, obteniendo un espectro para cada píxel de una imagen. Esto facilita la identificación precisa de materiales a través de sus firmas espectrales. La HSI es esencial en aplicaciones de teledetección de la Tierra, como la clasificación automatizada, el mapeo de abundancias y la estimación de propiedades físicas y biológicas, que incluyen la humedad del suelo, la densidad de sedimentos, la calidad del agua y el contenido de pigmentos.
A pesar de las ventajas que ofrece la HSI, los datos hiperespectrales no siempre están disponibles para aplicaciones específicas. Recientes investigaciones han intentado combinar la HSI con la captación de vídeo tradicional en RGB (rojo, verde, azul) para reducir costos y mejorar el rendimiento. Sin embargo, esta tecnología de fusión enfrenta aún desafíos técnicos importantes.
Desarrollo de una plataforma bimodal de vídeo
Un estudio reciente, publicado en el Journal of Applied Remote Sensing, llevado a cabo por investigadores del Chester F. Carlson Center for Imaging Science en el Instituto de Tecnología de Rochester, ha desarrollado una plataforma de vídeo bimodal que combina un sistema de imagen hiperespectral de 371 bandas, operable en modo de vídeo de baja tasa, con una cámara de vídeo RGB estándar. Liderado por Chris H. Lee, el equipo diseñó este sistema con el objetivo de cerrar la brecha entre la HSI de alto costo y la tecnología de vídeo RGB, que está ampliamente disponible.
Los investigadores demostraron su concepto al capturar datos de vídeo de la costa del Lago Ontario en el Parque Estatal Hamlin Beach, en Rochester, Nueva York. “Desarrollamos un flujo de trabajo que vincula los datos de reflectancia de un espectrómetro de imagen hiperespectral de escaneo lineal con los fotogramas de vídeo RGB para predecir imágenes hiperespectrales”, explica Lee. “Establecimos una correlación entre los dos flujos de datos durante un segmento temporal específico, y luego la utilizamos para predecir fotogramas hiperespectrales tanto antes como después de ese segmento utilizando solo vídeo RGB”.
El sistema capturó vídeo visible e infrarrojo cercano utilizando un espectrómetro de imagen hiperespectral de alta eficiencia de Headwall, operando en su modo de vídeo de baja tasa. Los datos RGB se obtuvieron de una GoPro Hero 8 Black, de bajo costo y ampliamente disponible. El equipo llevó los sistemas a sus límites operativos, adquiriendo datos de vídeo en el orden de milisegundos y correlacionando los datos RGB y HSI tanto en tiempo como en espacio.
Para evaluar la precisión de su flujo de trabajo, los investigadores compararon la reflectancia predicha con la reflectancia medida, después de corregir los efectos del sensor y de la atmósfera. Los resultados variaron según el rango de longitud de onda. En el espectro visible, la plataforma predijo el 95% de la escena acuática con un margen de error absoluto del 2%, es decir, alrededor del 30% del nivel de señal del agua. En contraste, en el rango infrarrojo cercano, los errores fueron mayores: para el 95% de la escena, el error residual normalizado alcanzó hasta el 90%. El equipo atribuyó este aumento a la limitada información espectral en el vídeo RGB en la escena de aguas poco profundas.
“Nuestra plataforma demuestra que podemos predecir fotogramas hiperespectrales a partir de vídeo RGB con una precisión razonable en el rango visible”, señala Lee. “La caída en el rendimiento a longitudes de onda más largas resalta la necesidad de una mayor cobertura espectral de datos de menos bandas para el algoritmo de predicción”.
De cara al futuro, Lee vislumbra oportunidades para mejorar el sistema: “Las mejoras futuras se centrarán en alinear y calibrar con mayor precisión los campos de visión del espectrómetro y la cámara, así como en desarrollar modelos de predicción más avanzados”. Al combinar cámaras RGB asequibles con tecnología hiperespectral, esta nueva plataforma allana el camino hacia un monitoreo ambiental más accesible. Con un mayor refinamiento, podría respaldar una amplia gama de aplicaciones, desde la evaluación de la calidad del agua hasta el análisis de la vegetación y más allá.
