L'imagerie hyperspectrale (HSI), ou spectroscopie d'imagerie, capture des informations détaillées à travers le spectre électromagnétique en acquérant un spectre pour chaque pixel dans une image. Cela permet une identification précise des matériaux à travers leurs signatures spectrales.
HSI prend en charge les applications de télédétection de la Terre telles que la classification automatisée, la cartographie de l'abondance et l'estimation des propriétés physiques et biologiques comme l'humidité du sol, la densité des sédiments, la qualité de l'eau, la biomasse, la surface foliaire et la teneur en pigment.
Bien que HSI offre un aperçu détaillé d'une scène de télédétection, les données HSI peuvent ne pas être facilement disponibles pour une application prévue. Des études récentes ont tenté de combiner HSI avec l'acquisition de vidéo traditionnelle-vert-bleu (RVB) pour réduire les coûts et améliorer les performances. Cependant, cette technologie de fusion est toujours confrontée à des défis techniques.
Dans une étude récente publiée dans le Journal of Applied Remotedles chercheurs du Chester F. Carlson Center for Imaging Science au Rochester Institute of Technology ont développé une plate-forme vidéo bimodale qui combine un système d'imagerie hyperspectral 371 bande, opérable en mode vidéo à faible débit, avec une caméra vidéo RVB standard. Dirigée par Chris H. Lee, l'équipe a conçu ce système pour combler l'écart entre l'imagerie hyperspectrale à coût élevé et la technologie vidéo RVB largement disponible.
L'équipe a démontré sa preuve de concept en capturant les données vidéo du littoral du lac Ontario à Hamlin Beach State Park à Rochester, New York.
« Nous avons développé un flux de travail qui relie les données de réflectance à partir d'un spectromètre d'imagerie hyperspectral balayant la ligne avec des trames vidéo RVB pour prédire l'imagerie hyperspectrale », explique Lee. « Nous avons établi une corrélation entre les deux flux de données au cours d'un segment de temps spécifique, puis l'avons utilisé pour prédire les cadres hyperspectraux avant et après ce segment en utilisant uniquement la vidéo RVB. »
Ils ont capturé visible par une vidéo hyperspectrale proche infrarouge à l'aide d'un spectromètre d'imagerie à l'efficacité micro-haute efficacité de paroi de tête, fonctionnant en mode vidéo à faible débit. Les données RVB provenaient d'un Black Gopro Hero 8 largement à faible coût. Le groupe de Lee a poussé les systèmes à leurs limites opérationnelles, en acquérant des données vidéo à des taux de l'ordre des millisecondes et en corrélant les données RVB et HSI dans le temps et dans l'espace.
Pour évaluer la précision de leur flux de travail, les chercheurs ont comparé la réflectance prévue à la réflectance mesurée, après avoir corrigé les effets du capteur et de l'atmosphère. Les résultats variaient selon la plage de longueurs d'onde. Dans le spectre visible, la plate-forme prédit 95% de la scène de l'eau dans une réflectance absolue à 2%, soit environ 30% du niveau du signal de l'eau.
En revanche, la plage proche infrarouge a montré des erreurs plus importantes: pour 95% de la scène, l'erreur résiduelle normalisée a atteint jusqu'à 90%. L'équipe a attribué cette augmentation aux données spectrales limitées dans la vidéo RVB dans la scène des eaux peu profondes.
« Notre plateforme montre que nous pouvons prédire les cadres hyperspectraux de la vidéo RVB avec une précision raisonnable dans la gamme visible », note Lee. « La baisse des performances à des longueurs d'onde plus longues met en évidence la nécessité d'une couverture spectrale plus large de moins de données pour l'algorithme de prédiction. »
Pour l'avenir, Lee voit des opportunités d'améliorer le système, « les améliorations futures se concentreront sur l'alignement et l'étalonnage du spectromètre et des champs de caméra de vue plus précisément et sur le développement de modèles de prédiction plus avancés. »
En combinant des caméras RVB abordables avec une technologie hyperspectrale, cette nouvelle plate-forme ouvre la porte à une surveillance vidéo environnementale plus accessible. Avec un raffinement supplémentaire, il pourrait soutenir un large éventail d'applications, de l'évaluation de la qualité de l'eau à l'analyse de la végétation et au-delà.
