Revenir au site

Qu'est-ce que l'imagerie hyperspectrale ?

Principes, techniques, applications.

L’imagerie hyperspectrale est une technique qui utilise le spectre lumineux comme modalité d’imagerie. Les systèmes de vision standards se calquent sur la vision humaine en exploitant les trois couleurs rouge, vert, bleu (RGB) grâce à des capteurs sensibles à ces trois longueurs d’onde. L’approche hyperspectrale se propose d’acquérir le spectre entier pour chaque pixel dans l’image, dans le but d’identifier une signature spectrale particulière correspondant à un élément dans l’image.

Global Hyperspectral Imaging Systems Market Report,

Future Demand and Growth Outlook by 2026

Comment cela fonctionne ?

  • Rappels physiques

L’imagerie hyperspectrale est rendue possible par les propriétés de diffusion et d’absorption de la lumière par la matière ainsi que les processus de rayonnement. Typiquement, la diffusion de Mie intervient pour l’observation des aérosols, car la dimension de la longueur d’onde est comparable à celle des particules, tandis que la diffusion de Rayleigh est le phénomène majoritaire pour l’observation de molécules.

Les molécules possèdent des niveaux d’énergie discrets associés à des états de vibration, rotation, translation. Sans entrer dans les détails, il faut comprendre que chaque état correspond à une énergie apportée au système, ce qui ce traduit par une certaine bande du spectre électromagnétique. Ainsi la partie du spectre visible correspond à l'énergie d'une translation, l’infrarouge aux vibrations et les micro-ondes aux rotations des molécules. L’absorption d’un photon par une molécule résultant de l’interaction avec un rayonnement externe entraîne le changement de niveau d’énergie d'un électron (translation, rotation, vibration). Le changement du niveau d'énergie est déterminé par la relation qui lie l'énergie à la fréquence du photon E=h*nu où h représente la constante de Planck. Cette interaction lumière-matière correspond telle qu’elle à une raie d’absorption dans le spectre. Or les molécules observées ne sont pas isolées. Elles sont soumises à l’influence externe de d’autre molécules ainsi qu'aux collisions et déplacements entre les molécules. Il en résulte que le spectre observé est composé de non pas de raies mais de bandes d’absorption.

En pratique, lorsque l’on veut qualifier le spectre d’un objet, gaz ou molécule, on mesure sa transmittance, c’est à dire la capacité de la l’objet à transmettre le spectre lumineux. Les différentes bandes d’absorption permettent de déduire la composition de l’objet. Par exemple, l’absorption à 1400 nm traduit la présence de H2O.

Transmittance atmosphérique moléculaire directe sol / espace pour un trajet vertical

Le principe de l’imagerie hyperspectrale consiste donc à obtenir le même genre de spectre, sur une image en 2 dimensions de telle sorte à avoir une résolution à la fois spectrale et spatiale. En d'autres termes, on peut désormais qualifier spectralement une scène et plus seulement un échantillon.

Source : Hyperspectral Data Processing : Object Detection via Hyperspectral Imaging for Wide Area Surveillance

  • Acquisition des données

4 techniques sont aujourd’hui possible pour acquérir une image hyperspectrale, soit par scan, soit en snapshot.

Le scan spatial fonctionne de la manière suivante : chaque ligne de pixel code pour une longueur d’onde et pour une dimension spatiale (x, lambda). La séparation des longueurs d’onde est rendue possible par un prisme ou un élément dispersif qui se charge de répartir chaque longueur d’onde sur une ligne de pixel donnée. L’acquisition de l’image se fait en se déplacement selon l’autre coordonnée spatiale (y). L’inconvénient vient des éléments mécaniques nécessaires au fonctionnement du système. Cette méthode est souvent utilisé par les systèmes en mouvement, tels que les avions ou satellites.

Principe de l'imagerie hyperspectrale par scan spatial

Le scan spectral consiste à acquérir l’image 2D avec des filtres successifs, puis de recombiner toutes les images monochromatiques de manière à former l’image hyperspectrale. Un des désavantage de cette technique vient de la possibilité que la scène soit mouvante, faussant la corrélation entre pixel et spectre associé. Cette difficulté peut être surmontée en procédant au recalage des images grâce à ses caractéristiques spatiales, notamment mais non limitativement par les points de Harris.

Le snapshot spectral consiste à acquérir le spectre pour chaque pixel en une seule prise de vue, ce qui constitue un avantage certain en termes de temps d’acquisition. L’inconvénient réside dans la manipulation des certaines matrices de données qui peuvent atteindre des tailles importantes en fonction de la résolution spectrale plus ou moins importante.

Le scan multi-spectral permet de combiner les avantages du scan et du snapshot, sans leurs inconvénients. La méthode consiste à acquérir une image, chaque ligne de pixel correspondant à une longueur d’onde, grâce à un élément dispersif. Il en résulte que une direction spatiale est encodée spectralement, tandis que l’autre possède toujours la même longueur d’onde. Visuellement, cela correspond à une image arc-en-ciel. Pour obtenir le spectre complet d’un point, il faut donc effectuer un scan, soit en bougeant la caméra soit l’ensemble composé de l’élément dispersif et du diaphragme du système.

Source : Multiplexed Optical Imaging of Tumor-Directed Nanoparticles: A Review of Imaging Systems and Approaches. Non présentée ici, la méthode de Point Scan.

  • Extraction de l’information

Étant donné la richesse de l’information produite par l’imagerie hyperspectrale, il est souvent nécessaire de recourir à des techniques de classification pour extraire l’information souhaitée. Une méthode souvent utilisée est également de recourir à l’analyse en composante principale. Cette méthode permet de sélectionner les composantes de l’image qui fournissent le plus d’information à celle-ci, i.e. celles dont la variance est maximale.

Source : Bibliothèque sklearn, implémentation de la PCA

Applications

L’hyperspectral est traditionnellement utilisé dans les secteurs de la prospection minière et de la géologie pour identifier des matériaux, notamment le pétrole. Toutefois, la technologie se diffuse progressivement à d’autres secteurs, comme notamment la pharmaceutique, l’agriculture, mais aussi l’écologie, la surveillance, l’astronomie et plus généralement pour tout problème d’identification d’objet par rapport à ses caractéristiques physiques autres que sa forme (spatial).

A. Identification de médicaments divers. B. Identification de minéraux C. Mise en évidence de défauts sur fruits. D.Identification des récoltes pour l’agriculture

Perspectives

L’hyperspectral se différencie du multi-spectral en proposant d’échantillonner le spectre de manière continue et non en sélectionnant certaines bandes d’intérêt comme le fait le multi-spectral. L'imagerie est pertinente pour des approches non supervisées du processus d’identification des matériaux, en plus des approches surpervisées. Elle ne nécessite en effet pas d’information a priori, comme par exemple la connaissance qu’un matériau présente des raies d’absorption dans une certaine bande du spectre. Grâce à la grande quantité d’information spectrale par échantillon spatial, elle permet d’améliorer les résultats des algorithmes de classification. Cependant, cette grande quantité de données pose des problèmes de traitement et de stockage, sans compter sur la complexité technique du dispositif qui nécessite des éléments optiques dispersifs non présents dans les caméras CCD standards de nos téléphones portables. Plusieurs recherches sont aujourd’hui en cours dont certaines sont fortement liées au problème de la dimensionnalité (curse of dimensionnality).

Sources

Yang Gao School of Information and Electrical Engineering, China University of Mining and Technology, Xuzhou, China ; Xuesong Wang ; Yuhu Cheng ; Z. Jane Wang. Dimensionality Reduction for Hyperspectral Data Based on Class-Aware Tensor Neighborhood Graph and Patch Alignment

Hans Grahn; Paul Geladi (27 September 2007). Techniques and Applications of Hyperspectral Image Analysis. John Wiley & Sons. ISBN 978-0-470-01087-7.

Jie Chan, Principal Component Analysis for Hyperspectral Image Classification, Research Gate

https://e-cours.univ-paris1.fr/modules/uved/envcal/html/rayonnement/3-rayonnement-atmosphere/3-3-diffusion-rayleigh.html

https://en.wikipedia.org/wiki/Hyperspectral_imaging

Tous Les Articles
×

Vous y êtes presque...

Nous venons de vous envoyer un e-mail. Veuillez cliquer sur le lien contenu dans l'e-mail pour confirmer votre abonnement !

OK