En este artículo se presenta una metodología innovadora para la adquisición de imágenes hiperespectrales mediante técnicas de sensado compresivo (Compressive Sensing, CS). El enfoque propuesto permite reducir significativamente la cantidad de datos necesarios para reconstruir una imagen hiperespectral completa, manteniendo una alta fidelidad espectral y espacial. Se utilizaron algoritmos de optimización convexa basados en la minimización de la norma L1, combinados con matrices de muestreo aleatorio diseñadas específicamente para sensores hiperespectrales de tipo pushbroom.
Los resultados experimentales, obtenidos tanto con datos sintéticos como con adquisiciones reales del sensor AVIRIS de la NASA, demuestran que es posible reconstruir imágenes hiperespectrales con hasta un 75{48ccec454e2169d77940fc89c04cb0050685c5391f1d3051987519bd70dcb290} menos de muestras, con un error de reconstrucción (PSNR) superior a 35 dB en la mayoría de las bandas espectrales analizadas.
Este trabajo representa un avance significativo para aplicaciones de teledetección donde el ancho de banda de transmisión y la capacidad de almacenamiento son limitados, como en plataformas satelitales y vehículos aéreos no tripulados (UAVs).
Las imágenes hiperespectrales contienen información en cientos de bandas espectrales contiguas, lo que genera volúmenes de datos extremadamente grandes. En misiones de teledetección, la transmisión y almacenamiento de estos datos representan un cuello de botella crítico. La teoría de sensado compresivo, desarrollada por Candès, Romberg y Tao (2006), ofrece un marco teórico que permite adquirir señales por debajo del límite de Nyquist, siempre que la señal sea dispersa en algún dominio de transformación. Las imágenes hiperespectrales presentan una alta correlación espectral que las hace particularmente adecuadas para la aplicación de estas técnicas.
Se diseñó una arquitectura de adquisición compresiva basada en un único detector de píxel (single-pixel camera) adaptado para el rango espectral de 400 a 2500 nm. El sistema emplea un modulador espacial de luz (DMD) para generar patrones de muestreo aleatorio binario. La reconstrucción se realizó mediante el algoritmo GPSR (Gradient Projection for Sparse Reconstruction), utilizando la transformada wavelet 3D como base de dispersión. Se evaluaron distintas tasas de muestreo (10{48ccec454e2169d77940fc89c04cb0050685c5391f1d3051987519bd70dcb290}, 25{48ccec454e2169d77940fc89c04cb0050685c5391f1d3051987519bd70dcb290}, 50{48ccec454e2169d77940fc89c04cb0050685c5391f1d3051987519bd70dcb290}) y se compararon con métodos de compresión convencionales como JPEG2000 y el algoritmo PCA+JPEG.
Los resultados demuestran que la metodología propuesta supera a los enfoques tradicionales de compresión en términos de calidad de reconstrucción para tasas de muestreo inferiores al 30{48ccec454e2169d77940fc89c04cb0050685c5391f1d3051987519bd70dcb290}. Se logró una clasificación de coberturas terrestres con una precisión del 92.3{48ccec454e2169d77940fc89c04cb0050685c5391f1d3051987519bd70dcb290} utilizando solo el 25{48ccec454e2169d77940fc89c04cb0050685c5391f1d3051987519bd70dcb290} de las muestras originales, comparado con el 94.1{48ccec454e2169d77940fc89c04cb0050685c5391f1d3051987519bd70dcb290} obtenido con el conjunto completo de datos. Este trabajo abre nuevas posibilidades para la implementación de sensores hiperespectrales compactos en micro-satélites y drones de bajo costo.
- Candès, E. J., Romberg, J., & Tao, T. (2006). «Robust uncertainty principles: exact signal reconstruction from highly incomplete frequency information.» IEEE Transactions on Information Theory, 52(2), 489-509.
- Arce, G. R., Brady, D. J., Carin, L., Arguello, H., & Kittle, D. S. (2014). «Compressive coded aperture spectral imaging: An introduction.» IEEE Signal Processing Magazine, 31(1), 105-115.
- Figueiredo, M. A. T., Nowak, R. D., & Wright, S. J. (2007). «Gradient projection for sparse reconstruction: Application to compressed sensing and other inverse problems.» IEEE Journal of Selected Topics in Signal Processing, 1(4), 586-597.