●Aplicación De La Tecnología Hiperespectral En Biomédica

El artículo titulado "Hiperespectral imagen y clasificación espectral-espacial para la detección del cáncer", publicado en 2012, presenta la imagen hiperespectral como una tecnología emergente para aplicaciones biomédicas. El estudio propone un método avanzado de procesamiento y clasificación de imágenes para analizar datos de imágenes hiperespectrales en la detección de cáncer de próstata. Se desarrolla y evalúa una máquina de vectores de soporte de mínimos cuadrados (LS-SVM) para clasificar datos hiperespectrales para mejorar la detección de tejido canceroso. El método se aplica para detectar cáncer de próstata en ratones portadores de tumores. Se crean imágenes resueltas espacialmente para resaltar las diferencias en las características de reflectancia entre los tejidos cancerosos y normales. Los resultados preliminares en ratones demuestran que los métodos de clasificación e imagen hiperespectral pueden detectar de manera confiable tumores de próstata en modelos animales. La tecnología de imagen hiperespectral proporciona una nueva herramienta para el diagnóstico óptico del cáncer.

En estudios separados de Houzhu Ding et al. (2015) y Michael S. Chin et al. (2015), se utilizaron cerdos y ratones desnudos como animales de experimentación para la investigación de imágenes hiperespectrales sobre clasificación y recuperación de quemaduras. La imagen de la izquierda muestra la distribución de la saturación de oxígeno y la hemoglobina en áreas de quemaduras obtenidas a través del análisis de imágenes hiperespectrales. T00, T01, T04, T24 representan los puntos de tiempo de 0 horas, 1 hora, 4 horas y 24 horas después de la quemadura, respectivamente. La imagen de la derecha consiste en una imagen en color de piel quemada en ratones desnudos, una imagen de hemoglobina oxigenada obtenida a través del análisis de imágenes hiperespectrales y una sección de tejido. La imagen hiperespectral permite la gradación no destructiva, sin contacto y de alto rendimiento de la profundidad de la quemadura.

Estos estudios demuestran el potencial de la imagen hiperespectral en la investigación biomédica, particularmente en la detección del cáncer y la evaluación de quemaduras, aprovechando la información espectral y espacial proporcionada por esta tecnología. La combinación de imágenes hiperespectrales y métodos avanzados de análisis ofrece valiosos conocimientos sobre el diagnóstico, el seguimiento y la evaluación del tratamiento de la enfermedad.

●Aplicación De La Tecnología Hiperespectral En La Clasificación Biológica

El artículo titulado "Medición no invasiva de la reflectancia de la piel de rana en alta resolución espacial utilizando un enfoque hiperespectral dual", publicado en 2013, investigó la reflectancia espectral de tres especies de ranas arborícolas utilizando una configuración de doble cámara compuesta por dos sistemas de imágenes hiperespectrales de escoba de empuje. Los sistemas generaron imágenes de reflectancia entre 400 y 2500nm. Los investigadores analizaron la reflectancia espectral de la piel de las ranas.

Las tres especies de ranas arborícolas exhibieron una coloración verde visualmente observable. Sin embargo, se observaron diferencias significativas en la reflectancia espectral entre las especies entre 700 y 1100nm, lo que permitió la diferenciación de especies.

En este estudio, el enfoque de imágenes hiperespectrales duales proporcionó una alta resolución espacial y un amplio rango espectral para analizar la reflectividad de la piel de rana. Los hallazgos resaltan el potencial de las imágenes hiperespectrales en el estudio no invasivo de las propiedades espectrales de la piel de rana, particularmente en el discernimiento de diferentes especies en función de sus patrones de reflectancia espectral distintivos.

●Aplicación De La Tecnología Hiperespectral En Arqueología Del Patrimonio Cultural

Desde el descubrimiento de los Guerreros y Caballos de Terracota en 1974, han atraído la atención mundial y han sido aclamados como la "Octava Maravilla del Mundo" por el ex presidente francés Jacques Chirac. Sin embargo, estas preciosas reliquias culturales, incluidos los Guerreros de Terracota, han estado enterrados bajo tierra durante más de dos mil años y de repente están expuestos al aire, lo que los hace muy susceptibles a los cambios y plantea importantes desafíos en términos de restauración y conservación.

La tecnología de imágenes hiperespectrales permite la adquisición sin contacto de información espectral de imágenes de los Guerreros de Terracota. Al analizar las imágenes y la información espectral de los Guerreros de Terracota, se puede evaluar el grado de deterioro causado por enfermedades y determinar los pigmentos utilizados en su producción. En base a los resultados del análisis, se puede realizar una restauración simulada.

La utilización de la tecnología de imágenes hiperespectrales en la restauración y preservación de los Guerreros de Terracota proporciona valiosos conocimientos sobre su condición y ayuda a desarrollar estrategias de restauración apropiadas. Esta tecnología permite un examen no invasivo y la documentación de las características de la superficie, los pigmentos y los patrones de deterioro de los Guerreros de Terracota. Al comprender el alcance del daño y los materiales de coloración originales, los expertos pueden tomar decisiones informadas con respecto al proceso de restauración.

La aplicación de la tecnología de imágenes hiperespectrales no solo contribuye a la restauración de los Guerreros de Terracota, sino que también representa un avance significativo en el campo de la conservación del patrimonio cultural. Ofrece un enfoque científico y eficiente para estudiar y conservar las reliquias culturales, asegurando su longevidad y la transmisión de valores históricos y artísticos a las generaciones futuras.

●Aplicación de la Tecnología Hiperespectral en la Clasificación y Reconocimiento de Cultivos Finos

Los datos hiperespectrales pueden distinguir diferencias espectrales más sutiles en los cultivos y detectar cambios en un rango espectral más estrecho, lo que permite una clasificación detallada precisa y la extracción de información de los cultivos. Actualmente, los métodos más populares y ampliamente aplicados para la clasificación de cultivos hiperespectrales incluyen Spectral Angle Mapper (SAM) y la clasificación jerárquica basada en árboles de decisión.

Basado en imágenes hiperespectrales, Xiong Zhen del Instituto de Detección Remota y Tierra Digital de la Academia China de Ciencias monitoreó las etapas de crecimiento del arroz en Changzhou. Se empleó un método de árbol de decisión híbrido para la clasificación precisa de variedades de arroz utilizando imágenes hiperespectrales. La clasificación logró una precisión del 94,9% para distinguir seis variedades de arroz.

Zhang Bing consideró las reglas generales de la distribución de objetos naturales y utilizó las características de los datos masivos de teledetección hiperespectral. Emplearon un método de clasificación de decisiones de expertos optimizado para características espectrales para lograr una clasificación fina de cultivos agrícolas en Minamimaki, Japón, utilizando imágenes hiperespectrales. Los resultados demostraron que este enfoque de clasificación no solo mejoró la precisión de la clasificación de píxeles sino que también redujo significativamente el ruido de clasificación errónea en el mapa de clasificación resultante.

●Aplicación de la Tecnología Hiperespectral en la Clasificación y Reconocimiento de Cultivos Finos

China es el país productor de grano más grande del mundo, con granos que incluyen arroz, trigo, maíz, maní y más. A través de la aplicación de la tecnología de imágenes hiperespectrales, se realiza la detección aguda del arroz para evaluar su calidad y variedad. Al obtener imágenes hiperespectrales del arroz, los datos en las imágenes se procesan utilizando el análisis de componentes principales (PCA) para reducir la dimensionalidad y extraer características como la blancura y la forma. Los modelos de reconocimiento de granos para arroz se establecen utilizando PCA y la red neuronal de retropropagación (BPNN). Se encuentra que el modelo BPNN arroja resultados satisfactorios, con una precisión del 89,91%, mientras que PCA logra una precisión del 89,18%, con poca diferencia entre los dos. Al combinar la fusión de datos BPNN con , la precisión se mejora aún más al 94,45%. Por lo tanto, la aplicación de la tecnología de imágenes hiperespectrales para la detección de granos resulta práctica para el análisis de variedades y calidad de arroz.