Spectral denoising in hyperspectral imaging using the discrete wavelet transform

Reducción de ruido espectral en imágenes hiperespectrales mediante la transformada wavelet discreta

El uso de sensores hiperespectrales ha tomado relevancia en la agricultura, debido a su potencial en el manejo fitosanitario de cultivos. Sin embargo, estos sensores son sensibles al registro de ruido espectral, lo cual dificulta su aplicación real. Por lo anterior, este trabajo se centró en el análisis del ruido espectral presente en un banco de 180 imágenes hiperespectrales de hojas de mango adquiridas en laboratorio, y la implementaciónde una técnica de reducción de ruido basada enla transformada discreta de wavelet. El análisis deruido consistió en la identificación de las bandasde mayor ruido, mientras que el desempeño dela técnica fue medido con las métricas PSNR ySNR. Como resultado, se determinó que el ruido espectral estuvo presente en los extremos del espectro (417-421nm y 969-994nm), mientras que el método Neigh-Shrink alcanzó un SNR delorden de 1011 con respecto al orden de 102 del espectro original.

1. INTRODUCCIÓN

El uso de sistemas ópticos no invasivos y no destructivos en la inspección y control de cultivos, ayuda a los productores a mejorar las prácticas de manejo agrícola integral y controlar los riesgos fitosanitarios, al brindar información que permite un correcto diagnóstico de problemas con potenciales daños a la producción agrícola. Dentro de estos sistemas ópticos, los sensores hiperespectrales han permitido detectar problemas fitosanitarios en fases tempranas y eliminar la incidencia del factor humano en su detección. Las imágenes hiperespectrales (HSI) proporcionadas por estos sensores, se han utilizado en los últimos años para el desarrollo de: métodos de inspección de frutos no invasivos y no destructivos (dos Santos Netoa et al., 2017; Munera et al., 2017 ; Pinto et otros, 2019); el establecimiento de índices espectrales de vegetación para estimar daños internos en frutos cosechados ( Vélez-Rivera et al., 2014 ); y la detección temprana de enfermedades de los cultivos ( Zarco-Tejada et al., 2018 ; Navrozidis et al., 2018 ).

Sin embargo, como ocurre con cualquier sensor e instrumento de medida, los datos captados están sujetos a anomalías que pueden alterar la información contenida en ellos y, por tanto, sesgar los resultados obtenidos. Técnicas como MNF o PCA, se han aplicado en numerosos estudios, es por ello que estas técnicas se presentan como pasos necesarios en todo análisis hiperespectral. Por ejemplo, Bjorgan y Randeberg (2015) desarrollaron una técnica MNF aplicada a imágenes hiperespectrales de barrido para eliminar el ruido espectral durante la adquisición de imágenes en tiempo real. Los autores de este trabajo afirman que los resultados obtenidos con esta técnica, son comparables a los obtenidos tras adquirir la imagen en su totalidad. Además, Liao et al. (2013), propusieron un modelo de dos fases que combina un kernel PCA (KPCA) y un modelo para eliminar la variación total del ruido que evidenció características notables y resultados prometedores en lo que a eliminación de ruido se refiere.