Гиперспектральная съёмка

Danfeng Hong¹˒‡˒*, Chenyu Li¹˒‡, Naoto Yokoya², Bing Zhang³, Xiuping Jia⁴, Antonio Plaza⁵, Paolo Gamba⁶, Jon Atli Benediktsson⁷, Jocelyn Chanussot⁸
arXiv:2508.08107v1 [cs.CV] · 11 августа 2025 г.
¹ Юго-Восточный университет, Нанкин, 210096, Китай
² Высшая школа передовых наук, Токийский университет, Тиба, 277-8561, Япония
³ Институт аэрокосмической информации, Китайская академия наук, Пекин, 100094, Китай
⁴ Школа инженерных технологий, Университет Нового Южного Уэльса, Канберра, ACT 2612, Австралия
⁵ Кафедра компьютерных и коммуникационных технологий, Политехническая школа, Университет Эстремадуры, Касерес, 10003, Испания
⁶ Кафедра электротехники, компьютерной и биомедицинской инженерии, Павийский университет, Павия, 27100, Италия
⁷ Факультет электротехники и компьютерной инженерии, Университет Исландии, Рейкьявик, 102, Исландия
⁸ Университет Гренобль-Альпы, INRIA, CNRS, Grenoble INP, LJK, Гренобль, 38000, Франция
‡ Авторы внесли равный вклад.
* Автор для переписки: Danfeng Hong (hongdanfeng1989@gmail.com).
arXiv:2508.08107v1 [cs.CV] · 11 августа 2025 г.

Аннотация

Гиперспектральная съёмка (HSI) — современный метод зондирования, позволяющий одновременно регистрировать пространственную и спектральную информацию и неинвазивно анализировать свойства материалов, химический состав и биологические характеристики без применения меток. В данном методологическом обзоре гиперспектральная съёмка рассмотрена комплексно: от физических принципов и архитектуры датчиков до основных этапов получения, калибровки и коррекции данных. Описаны распространённые структуры данных, классические и современные методы анализа, включая снижение размерности, классификацию, спектральное разложение смесей и методы искусственного интеллекта, такие как глубокое обучение. Рассмотрены характерные примеры применения в наблюдении Земли, точном земледелии, биомедицине, промышленном контроле, изучении культурного наследия и обеспечении безопасности. Особое внимание уделено выявлению признаков, неразличимых визуально, для мониторинга, диагностики и принятия решений. Устойчивые проблемы, включая аппаратные компромиссы, изменчивость условий съёмки и сложность многомерных данных, рассматриваются наряду с новыми решениями: вычислительной съёмкой, моделированием с учётом физических закономерностей, объединением данных разных модальностей и самоконтролируемым обучением. Для обеспечения прозрачности и повторного использования представлены практики публикации наборов данных, обеспечения воспроизводимости и документирования метаданных. В перспективе рассматривается развитие масштабируемых и встраиваемых HSI-систем реального времени на основе миниатюризации датчиков, самоконтролируемого обучения и фундаментальных моделей. По мере становления HSI как универсальной междисциплинарной платформы расширяются возможности её применения в науке, технологиях и обществе.

Введение

Гиперспектральная съёмка (HSI) — современный оптический метод, объединяющий спектроскопию и цифровую фотографию в одной системе. Такое объединение позволяет одновременно регистрировать пространственные и спектральные данные, получая пространственно разрешённые изображения в многочисленных смежных спектральных каналах. В результате каждому пикселю сцены соответствует собственная спектральная сигнатура, которую часто называют спектральным «отпечатком». Спектры отдельных пикселей образуют трёхмерные наборы данных — гиперспектральные кубы, объединяющие два пространственных измерения и одно спектральное. Так гиперспектральная съёмка связывает традиционное формирование изображений и спектроскопию. Гиперспектральный куб содержит подробную спектральную информацию, получаемую измерением коэффициента отражения или энергетической яркости в узких спектральных интервалах. Такая детализация позволяет точно идентифицировать и подробно характеризовать материалы, биологические ткани и поверхности природных объектов.
HSI обычно охватывает оптическое окно электромагнитного спектра (рис. 1A) с длинами волн от 380 до 2500 нм [1]. Как показано на рис. 1B, в это окно обычно входят видимый свет (400–700 нм), ближняя инфракрасная область (NIR) и коротковолновая инфракрасная область (SWIR). Включение диапазона 380–400 нм дополнительно увеличивает чувствительность к поглощению пигментами и слабым изменениям отражения поверхности, особенно в фиолетовой и ближней ультрафиолетовой областях. Пример типичной гиперспектральной сцены на рис. 1C показывает, что при HSI обычно регистрируют сотни спектральных каналов с высоким спектральным разрешением, как правило 5–10 нм.
Широкий спектральный охват существенно отличает HSI от панхроматической съёмки, традиционной цветной фотографии и мультиспектральной съёмки. На рис. 1D качественно сопоставлены спектральные характеристики разных режимов съёмки. Панхроматические системы регистрируют один широкий канал, охватывающий видимый спектр, обеспечивая высокое пространственное разрешение при минимальной спектральной детализации. Обычные RGB-камеры, как правило, регистрируют только три широких спектральных канала, а мультиспектральные системы — менее 20 дискретных каналов. Высокая спектральная детализация HSI позволяет выявлять слабовыраженные, но диагностически значимые признаки, включая молекулярные полосы поглощения и спектральные переходы, связанные с пигментами. Эти признаки часто невозможно различить на обычных изображениях. С их помощью можно уверенно различать объекты, сходные в видимом диапазоне, но существенно отличающиеся химическим составом или физиологическим состоянием.
Рис. 1. Обзор гиперспектральной съёмки. (A) Схема электромагнитного спектра. (B) Увеличенное представление тип
Рис. 1. Обзор гиперспектральной съёмки. (A) Схема электромагнитного спектра. (B) Увеличенное представление типичных спектральных областей HSI: видимый свет (400–750 нм), ближняя инфракрасная область (NIR, 750–1400 нм) и коротковолновая инфракрасная область (SWIR, 1400–2500 нм). (C) Пример гиперспектральной сцены, объединяющей пространственную и спектральную информацию. (D) Качественное сравнение режимов съёмки: панхроматическая (один широкий канал), RGB (три широких канала), мультиспектральная (< 20 дискретных каналов) и гиперспектральная (> 100 смежных узких каналов).
Обозначения. A: непрозрачность атмосферы, частота (Гц) и длина волны. Области спектра: длинные волны, радиоволны, микроволны, инфракрасная, видимая, ультрафиолетовая, рентгеновская и гамма-области. Примеры: AM- и FM-радио, мобильная связь и Wi-Fi, микроволновая печь, тепловое излучение тела, пульт дистанционного управления, солнечный ожог, медицинская рентгенография, ядерная энергетика и космические лучи. B: SWIR, NIR, красный, оранжевый, жёлтый, зелёный, голубой, синий, индиго и фиолетовый диапазоны. C: пример сцены и спектральные срезы по λ. D: полутоновое панхроматическое изображение, RGB, мультиспектральный и гиперспектральный кубы, спектральный отклик в зависимости от длины волны.
Высокая размерность гиперспектральных данных обусловлена фундаментальными физическими взаимодействиями падающего излучения с материалом объекта, включая электронные переходы, колебания молекул, рассеяние и флуоресценцию. Эти взаимодействия меняются в зависимости от режима съёмки и спектральной области и лежат в основе возможности выполнять неразрушающий анализ без меток. Поэтому HSI позволяет исследовать как характеристики поверхности, так и подповерхностные свойства, давая ценную информацию для разных научных и практических задач.
Исторически HSI возникла в области дистанционного зондирования, прежде всего воздушного и космического наблюдения Земли [2]. Ранние системы, такие как авиационный спектрометр изображений видимого и инфракрасного диапазонов AVIRIS, разработанный NASA в 1980-х годах [3], предназначались прежде всего для картографирования земного покрова, оценки состояния растительности и определения минерального состава с борта самолёта. В последующие десятилетия развитие оптики, детекторов и вычислительной съёмки привело к миниатюризации и разнообразию систем HSI. Современное оборудование охватывает широкий диапазон форм-факторов: от полезных нагрузок спутников и устанавливаемых на БПЛА камер до лабораторных микроскопов и портативных приборов для диагностики непосредственно на месте оказания медицинской помощи. Области применения включают экологию, сельское хозяйство, медицину, безопасность и производство. Недавняя тенденция — появление группировок гиперспектральных спутников CubeSat, развиваемых, в частности, Kuva Space и Pixxel. Они повышают частоту повторных наблюдений и обеспечивают глобальный охват при меньших затратах. Такие компактные платформы с технологиями искусственного интеллекта ускоряют переход от экспериментальных демонстраций к масштабным эксплуатационным сервисам наблюдения Земли.
Особая ценность HSI связана с неразрушающим характером и отсутствием необходимости в метках. В отличие от инвазивных биохимических анализов и микроскопии с окрашиванием, HSI не требует физического контакта или химического мечения образца. Поэтому метод пригоден для исследований in situ и in vivo и перспективен для непрерывного мониторинга, диагностики в реальном времени и автоматизации. Одновременная регистрация пространственных закономерностей и спектральных отпечатков позволяет применять HSI в задачах от выявления болезней сельскохозяйственных культур и навигации при хирургических вмешательствах до обнаружения подделок и геологического картографирования [4]. Эти свойства делают HSI универсальной и информативной платформой высокопроизводительного и высокоточного зондирования.
Высокая размерность данных HSI существенно осложняет обработку и интерпретацию. Классические статистические методы, например анализ главных компонент (PCA) [5] и линейный дискриминантный анализ (LDA) [6], по-прежнему широко используются для снижения размерности и извлечения признаков. При спектральном смешении, обусловленном ограниченным пространственным разрешением и сложной неоднородностью поверхности, спектральное разложение [7] позволяет представить смешанный пиксель в виде спектров чистых компонентов и их долей. Это обеспечивает точную идентификацию материалов и субпиксельную оценку характеристик. Развитие машинного обучения и искусственного интеллекта (ИИ) меняет эту область, предоставляя методы моделирования сложности и изменчивости гиперспектральных данных [8]. Свёрточные нейронные сети, спектрально-пространственные архитектуры, самоконтролируемое обучение и модели на основе трансформеров существенно расширили возможности классификации, обнаружения аномалий и локализации объектов. Фундаментальные модели [9], обученные на разнообразных масштабных наборах гиперспектральных данных, продемонстрировали способность к обобщению между задачами, предметными областями и типами датчиков. В совокупности эти подходы на основе ИИ меняют способы использования гиперспектральных данных, обеспечивая масштабируемые, автоматизированные и устойчивые аналитические процессы.
Цель обзора — доступно и научно обоснованно изложить методологию HSI. Основное внимание уделено современному состоянию области, физическим механизмам HSI, типам датчиков и способам съёмки, типичным результатам и передовым методам анализа. Рассмотрены области применения, включая наблюдение Земли, сельское хозяйство, медицину, промышленность, культуру и оборону. Также обсуждаются практические проблемы воспроизводимости и обмена данными, в том числе потребность в стандартах метаданных и общедоступных репозиториях. Рассматривается, как новые вычислительные подходы, особенно глубокое обучение, помогают преодолевать существующие ограничения и расширять возможности метода.
Обзор посвящён основополагающим принципам и методологическим аспектам HSI, современным тенденциям и перспективным направлениям исследований. Он не предназначен для использования в качестве технического руководства или пошаговой инструкции по конкретным приборам и не претендует на исчерпывающее описание всех конфигураций оборудования и специализированных протоколов. Обобщая результаты из разных областей, авторы стремятся содействовать более широкому применению и совершенствованию HSI и повышению её значения для науки и общества.

Экспериментальная методика

В этом разделе описана общая последовательность операций HSI и её основные этапы. Затем приведена классификация типовых наборов данных, полученных с разных носителей, с пояснением их характеристик. В заключение рассмотрены распространённые программные средства и рекомендации по стандартизации сбора данных.

Последовательность работы систем HSI

На рис. 2 показана последовательность работы системы HSI, включая съёмочный прибор и его основной узел — формирующий изображение спектрометр. Показаны этапы получения, калибровки и предварительной обработки данных, а также основные схемы съёмки. В общем случае процесс начинается с выбора сцены или объекта. Отражённый или испускаемый объектом свет проходит через оптическую систему, которая собирает и направляет излучение в спектрометр. Спектрометр пространственно разделяет излучение на многочисленные смежные спектральные каналы. Разложенные по спектру сигналы регистрирует матрица детекторов, преобразующая оптическую информацию в измеримые электрические сигналы. Наконец, на этапе предварительной обработки, в том числе калибровки и коррекции, исходные данные преобразуются в стандартизированные цифровые изображения, пригодные для последующего анализа.

Оптическая система

Оптическая система HSI собирает, направляет и фокусирует падающее на прибор излучение, отражённое или испущенное наблюдаемой сценой или объектом. Обычно она включает линзы, зеркала или их сочетание и определяет важнейшие параметры съёмки: поле зрения (FOV), функцию рассеяния точки (PSF), пространственное разрешение и спектральный диапазон. Качественное проектирование оптики уменьшает хроматические и геометрические аберрации и обеспечивает достоверное воспроизведение пространственных деталей и спектральных характеристик.
Рис. 2. Последовательность работы систем HSI от наблюдаемой сцены до обработанных данных об отражении. (A) Схе
Рис. 2. Последовательность работы систем HSI от наблюдаемой сцены до обработанных данных об отражении. (A) Схема съёмочного прибора и его основных узлов. (B) Получение, калибровка и обработка данных: переход от исходных цифровых отсчётов (DN) к энергетической яркости и затем к коэффициенту отражения. (C–F) Развитие способов съёмки: (C) точечное сканирование (whiskbroom), (D) построчное сканирование (pushbroom), (E) последовательное спектральное сканирование при неподвижном наблюдении (staring). В этих режимах используются многократные экспозиции. (F) Мгновенная съёмка (snapshot) регистрирует все спектральные каналы одновременно за одну экспозицию без сканирования.
Обозначения. От сцены или объекта через гиперспектральную камеру получают исходные цифровые отсчёты, затем радиометрически калибруют их в энергетическую яркость и корректируют до коэффициента отражения. A: объектив, входная щель, формирующий изображение спектрометр, матрица детекторов, пространственное и спектральное измерения. B: датчик, передаточная функция датчика, энергетическая яркость на верхней границе атмосферы (TOA), растительность, атмосфера, модель переноса излучения, атмосферная коррекция, отражение у поверхности земли, поверхность, геометрия наблюдения и коррекция поверхности. BRDF — функция двунаправленного распределения отражения. C–D: призма или решётка, дисперсия и матрица детекторов при точечном и построчном сканировании. E: спектральное сканирование перестраиваемыми фильтрами AOTF/LCTF при неподвижном наблюдении. F: преобразователь изображения, зрачковая линза, призма и матрица детекторов при мгновенной съёмке. Along-track — вдоль траектории, Cross-track — поперёк траектории.

Формирующий изображение спектрометр

Формирующий изображение спектрометр — основной узел, отличающий HSI от традиционной оптической съёмки. Его функция состоит в разложении падающего излучения на многочисленные узкие смежные спектральные каналы. Таким образом для каждой пространственной позиции или пикселя формируется подробная спектральная сигнатура. За разложение отвечает дисперсионный оптический блок, в котором обычно применяют дифракционные решётки, призмы или электронно-перестраиваемые фильтры. Спектральное разрешение, то есть способность различать близкие длины волн, принципиально важно для точного выявления, различения и описания материалов и объектов.
Методы спектрального разложения. Для эффективного спектрального разделения применяют несколько оптических подходов. Дифракционные решётки пространственно разделяют длины волн по углам дифракции, обеспечивая высокое спектральное разрешение и отличную механическую стабильность. Поэтому они особенно пригодны для авиационных и спутниковых систем HSI. Призмы разлагают излучение вследствие зависимости преломления от длины волны. Они прочны и стабильны, но нелинейная дисперсия осложняет точную спектральную калибровку. Электронно-перестраиваемые фильтры, включая жидкокристаллические (LCTF) [10] и акустооптические (AOTF) [11], обеспечивают спектральное разделение посредством динамического изменения оптических свойств, в частности двулучепреломления в LCTF или акустооптического взаимодействия в AOTF. Такие фильтры дают гибкость и быстрый выбор спектрального канала, что полезно в лабораторных, ручных и стационарных системах. Выбор диспергирующего элемента непосредственно определяет характеристики, сложность и подходящие области применения как спектрометра, так и всей HSI-системы.

Матрица детекторов

Матрица детекторов регистрирует спектрально разложенное оптическое излучение и преобразует его в измеримые электронные сигналы. Распространённые технологии включают приборы с зарядовой связью (ПЗС, CCD) и КМОП-датчики (CMOS), каждый тип имеет свои особенности по чувствительности, квантовой эффективности, динамическому диапазону и шумам. Выбор детектора прямо влияет на характеристики системы, прежде всего на отношение сигнал/шум (SNR), радиометрическую точность и общее качество данных. После регистрации электрические сигналы оцифровывают и подвергают предварительной обработке, включающей, например, радиометрическую калибровку, геометрическую коррекцию и шумоподавление. В результате получают достоверные стандартизированные гиперспектральные данные для дальнейшего анализа.

Схемы съёмки

В цифровой съёмке геометрией формирования изображения обычно называют связь между наблюдаемым объектом и его отображением в плоскости изображения. В HSI этот термин относится к способам сканирования при получении данных. На практике широко применяют четыре основные схемы: построчную, точечную, мгновенную и последовательную спектральную при неподвижном наблюдении. У каждой схемы есть преимущества применительно к конкретным требованиям наблюдения.
Способы сканирования. При построчном сканировании (pushbroom) спектральная информация одновременно регистрируется по всей пространственной строке. По мере движения носителя — спутника, самолёта или БПЛА — последовательные строки формируют двумерное изображение. Построчные системы обеспечивают высокое пространственное и спектральное разрешение, поэтому особенно пригодны для спутниковой и авиационной съёмки. При точечном сканировании (whiskbroom) отдельные пиксели последовательно регистрируются с помощью механически управляемых сканирующих зеркал или вращающихся призм. Такая схема обеспечивает высокую радиометрическую точность и гибкость эксплуатации, но механически сложнее и относительно медленнее, поэтому применяется реже построчной. Точечное сканирование сохраняет значение для специализированных авиационных и отдельных научных задач. Системы мгновенной съёмки (snapshot) регистрируют пространственные и спектральные данные одновременно за одну экспозицию без механического сканирования. Благодаря вычислительной оптике, в том числе кодированным апертурам или матрицам микролинз в сочетании с диспергирующими элементами, мгновенная съёмка подходит для быстро меняющихся сцен и кратковременных событий. Однако она обычно требует компромисса по спектральному разрешению и отношению сигнал/шум. Наконец, при неподвижном наблюдении (staring) спектральные каналы снимают последовательно, используя электронно-перестраиваемые фильтры, например LCTF или AOTF. Такие приборы часто применяют в лаборатории, в ручных системах и для стационарного мониторинга. Они обеспечивают гибкость выбора спектральных каналов и высокую точность, но длительность съёмки и потребность в стабильных условиях ограничивают их применимость к динамичным сценам.

Получение, калибровка и обработка данных

После выбора подходящей схемы съёмки и способа спектрального разложения необходимо систематически выполнять обработку и калибровку, чтобы до начала анализа обеспечить качество, сопоставимость и согласованность данных. К ключевым этапам предварительной обработки относятся радиометрическая калибровка, геометрическая коррекция, атмосферная коррекция и калибровка по длинам волн. Каждый этап важен для получения надёжных и воспроизводимых гиперспектральных данных.
Калибровка и коррекция. Радиометрическая калибровка преобразует исходные показания датчика в физически осмысленные значения отражения или энергетической яркости с учётом различий в отклике датчика и чувствительности детектора. Обычно снимают эталоны с известными характеристиками, например стандартизованные белые и тёмные калибровочные панели, чтобы нормализовать зарегистрированные сигналы и обеспечить их согласованность. Геометрическая коррекция пространственно совмещает спектральные данные, устраняя искажения, вызванные движением носителя, оптикой прибора и геометрией съёмки. Точное геометрическое совмещение необходимо для корректных сопоставлений изображений, полученных в разное время или с разных носителей. Для авиационных и спутниковых систем особенно важна атмосферная коррекция. Водяной пар, аэрозоли и атмосферные газы поглощают или рассеивают излучение, искажая измеренные спектральные сигнатуры. Алгоритмы атмосферной коррекции, часто основанные на моделях переноса излучения или эмпирических зависимостях, устраняют эти влияния и восстанавливают точные стандартизированные коэффициенты отражения поверхности. Калибровка по длинам волн обеспечивает точное соответствие спектральных каналов известным стандартам. Для проверки и при необходимости корректировки используют эталонные источники или чётко определённые полосы поглощения.
Условия среды и эксплуатации. На согласованность, спектральную достоверность и надёжность данных существенно влияют освещённость, изменчивость погоды и углы наблюдения. Положение Солнца, прозрачность атмосферы и затенение требуют тщательного контроля и документирования. Для наружной съёмки обычно предпочтительны ясное небо, стабильное освещение, например около полудня, и минимальные перемещения объектов в сцене. Наклон и высота датчика, а также ориентация объекта существенно влияют на спектральные измерения, особенно с учётом двунаправленного отражения разных поверхностей.
К другим эксплуатационным требованиям относятся поддержание высокого отношения сигнал/шум, стабильности температуры окружающей среды и минимизация механических вибраций. Каждый из этих факторов прямо влияет на качество спектров. В лаборатории для повышения повторяемости и надёжности измерений особенно полезны стабильное контролируемое искусственное освещение и регулирование температуры и влажности. Стандартизированные протоколы должны охватывать настройки датчиков, условия среды, геометрию наблюдения и методы предварительной обработки. Это уменьшает неопределённость и повышает устойчивость и воспроизводимость данных разных исследований.

Примеры данных разных съёмочных платформ

Обзор съёмочных платформ

Технологии HSI реализуются на разных платформах в зависимости от научных, промышленных и природоохранных задач. По условиям эксплуатации и масштабу развёртывания обычно выделяют четыре основных типа: космические, авиационные, наземные, а также портативные и лабораторные системы.
• Космические платформы, в том числе гиперспектральные спутники, позволяют наблюдать поверхность Земли в широком масштабе. Первоначально они разрабатывались для анализа растительности, картографирования минералов и исследования климата. Они ценны и для планетных исследований, поскольку дают подробную спектральную информацию о внеземных поверхностях.
• Авиационные платформы, включающие комплексы на пилотируемых воздушных судах и беспилотных летательных аппаратах (БПЛА), обеспечивают высокое пространственное разрешение и гибкость эксплуатации. Их широко применяют для мониторинга окружающей среды, точного земледелия, обследования инфраструктуры, археологического картографирования и реагирования на стихийные бедствия.
• Наземные станции состоят из стационарных гиперспектральных приборов, обычно установленных на вышках, штативах или неподвижных платформах. Они используются для длительных наблюдений окружающей среды, калибровки и валидации и в контролируемых экспериментах, требующих воспроизводимых и высокоточных спектральных измерений.
• Портативные и лабораторные приборы, включая ручные и настольные спектрометры, обеспечивают высокое спектральное разрешение и высокую радиометрическую точность. Они особенно подходят для определения свойств материалов, анализа качества пищевых продуктов, медицинской диагностики, например выявления онкологических заболеваний, и исследований культурного наследия, где важны точные локальные спектральные измерения.
Такое разнообразие платформ позволяет применять HSI в широком круге задач от наук о Земле и сельского хозяйства до медицины и промышленности. Вместе эти системы обеспечивают масштабируемый спектральный анализ на разных пространственных уровнях, от локальных измерений in situ до крупномасштабного дистанционного зондирования.

Сравнение платформ

Платформы HSI существенно различаются по пространственному разрешению, спектральной достоверности, масштабу охвата и гибкости эксплуатации. Космические датчики охватывают большие территории и позволяют проводить долговременный мониторинг при умеренном пространственном разрешении. Авиационные платформы дают более подробное изображение и гибкость съёмки при сравнительно меньшем охвате. Наземные системы позволяют вести непрерывные или целевые наблюдения в фиксированных точках, что особенно ценно для калибровки, валидации и изучения временных рядов. Портативные и лабораторные приборы обеспечивают наилучшее спектральное качество и контролируемость условий и особенно подходят для анализа отдельных образцов и определения свойств материалов.
В табл. 1 сопоставлены основные характеристики платформ, их преимущества и роль в гиперспектральных приложениях. Космические платформы обеспечивают обширное, вплоть до глобального, покрытие, хотя пространственное, спектральное и временное разрешение относительно ниже, а оперативная гибкость ограничена. Спутниковая HSI особенно подходит для крупномасштабного мониторинга, однако исключительно большой объём генерируемых данных создаёт трудности передачи, хранения, сжатия и обработки. Авиационные платформы, включая самолёты и БПЛА, гибче космических и обеспечивают более высокое разрешение. Это позволяет применять их в точном земледелии, лесном хозяйстве и оценке последствий природных катастроф. Наземные станции обычно обеспечивают более высокое разрешение продуктов, особенно за счёт непрерывности во времени, и широко используются для локального экологического мониторинга. Лабораторные приборы обеспечивают высокую спектральную достоверность и точные измерения в контролируемых условиях. Их широко применяют в биомедицинских исследованиях, контроле качества продуктов питания и анализе материалов. Ручные и портативные системы, развитие которых опирается на миниатюризацию оптики и встраиваемые вычисления, используются в полевых исследованиях для фенотипирования растений, обнаружения загрязнений и диагностики инфраструктуры.
Таблица 1. Сопоставление различных платформ HSI.
Характеристика Космическая (спутник) Авиационная (самолёт, БПЛА) Наземная (стационарная) Портативная и лабораторная
Внешний вид
Спектральное разрешение Среднее (≈5–10 нм) Высокое (≈1–5 нм) Высокое (≈1–3 нм) Очень высокое (<1 нм)
Пространственное разрешение Низкое (≈30 м) От среднего до высокого (≈1–5 м) Высокое (от сантиметров до метров) Очень высокое (субмиллиметровое)
Временное разрешение Низкое (от дней до недель) Умеренное (по запросу) Высокое (непрерывная съёмка) Управляется в реальном времени
Область охвата Глобальная, непрерывная Региональная, гибкая Локальная, небольшая Точечная, лабораторная
Эксплуатационная гибкость Низкая От умеренной до высокой Высокая Полностью контролируемые условия
Режим съёмки Построчное, точечное сканирование Построчное, кадровая съёмка, линейное сканирование Точечная съёмка, волоконно-оптическая связь Сканирующая или мгновенная съёмка
Типичные датчики EO-1, PRISMA, EnMAP, Gaofen-5 AVIRIS, HyMap, AISA ASD FieldSpec, ImSpector Resonon, Specim IQ, Headwall Nano
Объём данных Очень большой (со сжатием) Большой (бортовое хранение) Умеренный (возможна работа в реальном времени) Малый (удобен для лаборатории)
Области применения Глобальный мониторинг, сельское и лесное хозяйство Точное земледелие, геология, реагирование на бедствия Экологический мониторинг и наблюдение за окружающей средой Валидация, диагностика, лабораторный анализ
Связь с другими платформами Необходима радиометрическая и спектральная калибровка Необходима атмосферная коррекция Стандартные эталонные спектры Валидация других платформ
Для иллюстрации практических характеристик и возможностей HSI на различных платформах в табл. 2 приведены характерные наборы данных открытого доступа. Например, космические данные немецкой программы EnMAP (Environmental Mapping and Analysis Program) и итальянской гиперспектральной миссии PRISMA (PRecursore IperSpettrale della Missione Applicativa) имеют умеренное пространственное разрешение, подходящее для крупномасштабного мониторинга. Авиационные данные AVIRIS Next Generation (NG) или платформы авиационных наблюдений NEON (AOP) позволяют выполнять детальное региональное картографирование с высоким пространственным разрешением. На более локальном уровне наземные спектральные библиотеки лаборатории спектроскопии Геологической службы США (USGS), в частности полученные спектрорадиометрами ASD (Analytical Spectral Devices) FieldSpec, и данные экологической спектральной информационной системы EcoSIS, а также лабораторные измерения, выполненные ASD FieldSpec или доступные в веб-базе SPECCHIO, предоставляют точную спектральную информацию, необходимую для калибровки, валидации и специализированной диагностики.
Таблица 2. Примеры гиперспектральных данных для разных платформ и их основные характеристики.
Платформа Набор данных Спектральные каналы Пространственное разрешение Типичные применения Ссылка
Космическая EnMAP 242 (420–2450 нм) 30 м Растительность, сельское и лесное хозяйство Открыть
Космическая PRISMA 239 (420–2450 нм) 30 м Геология, картографирование минералов Открыть
Авиационная AVIRIS-NG 425 (380–2450 нм) 1–5 м Точное земледелие, экологическое картографирование Открыть
Авиационная NEON AOP 426 (380–2450 нм) ≈1 м Состояние лесов, исследования биоразнообразия Открыть
Наземная станция USGS ASD Library ≈2151 (350–2500 нм) Точечные измерения Калибровка спутников, моделирование растительности Открыть
Наземная станция EcoSIS Library Переменное (350–2500 нм) Точечные измерения Фенотипирование растений, анализ почвы и воды Открыть
Портативная / лабораторная SPECCHIO Database Переменное (обычно >1000 каналов) Лабораторный масштаб Биомедицинская диагностика, анализ материалов Открыть
Портативная / лабораторная ASD FieldSpec Data ≈2151 (350–2500 нм) Лабораторный масштаб Точная спектральная характеристика Открыть

Программные средства и практические рекомендации

Надёжный и воспроизводимый анализ HSI опирается на стандартизированные протоколы сбора данных и надёжные программные инструменты. Исследователи широко используют открытые и коммерческие пакеты, предназначенные для отдельных этапов получения, калибровки, предварительной обработки и анализа.
Открытые инструменты, в том числе HyTools [12] и пакеты на базе Python Spectral Python (SPy) [13] и HypPy [14], позволяют гибко автоматизировать предобработку, спектральную калибровку, атмосферную коррекцию и визуализацию с помощью сценариев. Такие пакеты повышают прозрачность, воспроизводимость и совместимость, содействуя совместным исследованиям. Коммерческие пакеты, в частности ENVI (Environment for Visualizing Images) и ERDAS Imagine, имеют развитые интерфейсы и надёжные средства обработки, подходящие для промышленного применения и крупных эксплуатационных проектов. Некоторые специализированные пакеты разработаны для конкретных областей применения или требований пользователей.
Особое значение имеет соблюдение следующих практик сбора и управления данными.
• Систематическое применение стандартизированных калибровочных эталонов, например белых и тёмных панелей, для точной радиометрической калибровки.
• Подробное документирование метаданных, включая параметры датчика, условия освещения и геометрию наблюдения, для корректной интерпретации и воспроизводимости.
• Регулярная калибровка датчиков для обеспечения согласованности и достоверности измерений на протяжении длительного времени.
• Открытая публикация исходных и обработанных наборов данных через действующие репозитории, например EcoSIS и SPECCHIO, для повышения прозрачности, совместной работы и перекрёстной валидации.
Применение этих практик вместе с надёжными программными инструментами необходимо для устойчивого и воспроизводимого анализа гиперспектральных данных, полученных с разных платформ и для разных задач.

Результаты

В этом разделе подробно изложена общая последовательность анализа гиперспектральных данных (рис. 3). После получения откалиброванных данных об энергетической яркости или отражении обычно выполняют начальную обработку изображений, включая восстановление, улучшение и снижение размерности. Затем решают задачи более высокого уровня, например классификацию и спектральное разложение смесей, чтобы извлечь из гиперспектральных изображений содержательную информацию для практических решений. Также представлены и интерпретированы качественные и количественные результаты.

Восстановление изображений

При съёмке качество гиперспектральных данных неизбежно меняется под влиянием условий среды (освещение, температура, влажность и атмосферные эффекты) и особенностей прибора (шум детектора, дрейф калибровки и оптические аберрации). Возникающие искажения, например сложный шум, полосы, пропуски, повреждения и перекрытия (рис. 3A), могут существенно влиять на точность данных, достоверность спектров и надёжность последующего анализа. Поэтому восстановление изображений — важнейший этап гиперспектрального анализа [8]. В общем виде процесс математически описывается следующим образом.
Формула (1)(1)
Здесь Y и X обозначают соответственно наблюдаемые искажённые гиперспектральные данные и неизвестные исходные данные без искажений. H — оператор искажения, моделирующий, например, полосы, перекрытия, пропуски или размытие. N — аддитивный шум, моделирующий разные источники, включая шум датчика и атмосферные помехи. Исходя из общей формулировки (1), восстановление изображения можно представить как обратную задачу.
Формула (2)(2)
Здесь L — член соответствия данным, обычно выбираемый в виде среднеквадратической ошибки, например ‖H(X) − Y‖²_F. Регуляризатор R с весом λ задаёт априорные предположения, такие как гладкость, разреженность или априорные свойства, задаваемые глубокой сетью. Оператор искажения H зависит от конкретной задачи восстановления. Например: (1) при шумоподавлении H(X) := X, (2) при заполнении пропусков H(X) := M ⊙ X, где M — матрица-маска отсутствующих данных, (3) при размытии H(X) := K ∗ X, где K — ядра свёртки, моделирующие размытие. На рис. 3A показаны примеры восстановления при разных типах искажений, включая подавление шума, устранение полос, заполнение пропусков и устранение размытия.

Улучшение изображений

Улучшение, выполняемое после восстановления, повышает интерпретируемость и аналитическую ценность данных HSI за счёт повышения пространственного и спектрального разрешения. Методы пространственного улучшения [15], такие как панхроматическое повышение резкости (pan-sharpening) [16] и пространственная фильтрация, повышают чёткость изображения и облегчают выявление мелких деталей. Методы спектрального улучшения [17], включая спектральное сверхразрешение, повышают способность различать объекты по слабым, но диагностически значимым спектральным различиям. Эти взаимодополняющие подходы в совокупности повышают визуальную чёткость, диагностическую чувствительность и надёжность анализа. Оба показаны на рис. 3A. Подобно восстановлению изображений, обратную задачу улучшения гиперспектральных изображений можно сформулировать следующим образом.
Формула (3)(3)
Здесь L_task(X, Y) — функция потерь для конкретной задачи, измеряющая расхождение между целевыми данными Y и их оценкой X. Член регуляризации R_enhance учитывает априорные сведения о структуре, значимые для улучшения изображений, включая сохранение границ, характеристики в частотной области и пространственную чёткость.
Задачи улучшения гиперспектральных изображений обычно делят на объединение данных и спектральную реконструкцию. Методы объединения данных, например панхроматическое повышение резкости и объединение гиперспектральных и мультиспектральных изображений, направлены на повышение пространственного разрешения за счёт привлечения дополнительных данных высокого разрешения, например панхроматических (PAN) или мультиспектральных изображений. Общую функцию потерь объединения в L_task можно записать как ‖D(X) − Y_LrHS‖²_F + ‖P(X) − Y_HrPAN‖²_F. Операторы D и P понижают соответственно пространственную и спектральную дискретизацию оценки объединённого продукта X, имитируя получение данных HSI низкого разрешения (Y_LrHS) и PAN-изображений высокого разрешения (Y_HrPAN). Методы реконструкции, например спектральное сверхразрешение, нацелены на восстановление достоверных спектральных сигнатур из источников с пониженной информативностью, таких как мультиспектральные или RGB-изображения. Это можно выразить как ‖M(X) − Y_HrHS‖²_F, где M — обучаемый оператор повышения спектральной дискретизации, Y_HrHS — эталонные данные HSI высокого разрешения.

Снижение размерности

После восстановления и улучшения спектральная информативность данных HSI позволяет тонко различать материалы по сотням смежных каналов. Однако высокая размерность вызывает ряд трудностей, включая рост вычислительной нагрузки, спектральную избыточность и увеличение риска переобучения в последующих задачах. Как показано на рис. 3B, высокая межканальная корреляция указывает на существенную избыточность спектральных измерений. Снижение размерности (DR) — необходимый этап HSI-анализа [18]. Подходы обычно делят на два больших класса: отбор каналов и методы преобразования. При отборе каналов из исходного набора l каналов выбирают k информативных и представительных по заданному критерию, например информационной энтропии или межканальной корреляции. Процесс отбора можно представить следующим дискретным выражением.
Формула (4)(4)
Здесь S — подмножество индексов выбранных каналов мощности |S| = k. Результат X_S представляет собой гиперспектральные данные, сформированные из k выбранных каналов исходного изображения X. Функция J оценивает информативность или различающую способность выбранного подмножества. Типичные критерии включают взаимную информацию, максимальную энтропию и минимальную ошибку реконструкции.
Методы преобразования снижают размерность, проецируя исходные данные в подпространство меньшей размерности с сохранением наиболее информативных спектральных или спектрально-пространственных структур. К наиболее характерным относятся анализ главных компонент (PCA) [5] и преобразование минимальной доли шума (MNF) [19]. Их часто используют в качестве базовых методов снижения размерности HSI благодаря простоте интерпретации и практической реализации линейных моделей. Пусть xᵢ ∈ ℝ^(l×1) — спектральный вектор i-го пикселя, l — число спектральных каналов, n — общее число пикселей гиперспектрального изображения. В PCA ищут ортогональное преобразование, максимизирующее дисперсию проекции данных.
Формула (5)(5)
Здесь w — вектор проекции, x̄ — средний спектр, Σₓ — ковариационная матрица исходных спектров. Задача оптимизации (5) сводится к задаче о собственных значениях ковариационной матрицы.
Формула (6)(6)
Эта задача имеет решение в замкнутом виде через разложение по собственным значениям. Ведущие собственные векторы Σₓ задают оптимальные направления проецирования для снижения размерности. Проецируя исходные данные HSI на эти векторы, PCA выделяет компоненты с наибольшей дисперсией, сжимая информацию с сохранением ключевых спектральных признаков. На рис. 3B принцип снижения размерности HSI показан на упрощённом двумерном примере.
PCA максимизирует полную дисперсию сигнала без явного учёта шума. MNF преобразует данные с целью максимизации отношения сигнал/шум каждой компоненты. Преобразование MNF выполняется в два этапа. Сначала выполняют обеление шума для устранения межканальной корреляции и нормализации шума, затем к данным после обеления применяют преобразование, аналогичное PCA, чтобы выделить компоненты в порядке убывания отношения сигнал/шум. Формально пусть наблюдаемые данные HSI определяются моделью:
Формула (7)(7)
где sᵢ — истинный сигнал, nᵢ — аддитивный шум. Обозначим ковариационные матрицы шума и сигнала соответственно Σₙ и Σₛ. MNF решает обобщённую задачу о собственных значениях:
Формула (8)(8)
где собственные векторы w задают направления преобразования, а собственные значения λ представляют отношения сигнал/шум соответствующих компонент. Упорядочивая компоненты по убыванию отношения сигнал/шум, MNF отдаёт приоритет информативным признакам и подавляет компоненты с преобладанием шума. Это делает метод особенно пригодным для шумоподавления, обнаружения аномалий и устойчивого извлечения признаков из зашумлённых данных HSI. Как и PCA, MNF допускает эффективное решение на основе спектрального разложения, при этом модель шума явно включена в преобразование.
Примеры визуализации до и после снижения размерности приведены на рис. 3C. Сопоставление исходного изображения и результатов PCA и MNF показывает, как снижение размерности сохраняет существенную информацию и одновременно подавляет шум. PCA обычно концентрирует основную информацию в первых главных компонентах (PC), хотя часть сигнала может сохраняться в последующих. MNF лучше разделяет сигнал и шум: в первых компонентах сохраняется основная значимая информация, а в последующих остаётся минимум структурированного сигнала.
Рис. 3. Обзор анализа гиперспектральных данных: от наблюдаемой энергетической яркости или отражения через обра
Рис. 3. Обзор анализа гиперспектральных данных: от наблюдаемой энергетической яркости или отражения через обработку низкого уровня до высокоуровневой интерпретации. (A) Общая схема анализа. (B) Схема снижения размерности HSI. (C) Визуальное сравнение исходных признаков, признаков после PCA и после MNF для трёх классификаторов (KNN, SVM, RF), увеличенные фрагменты с различиями и график зависимости точности классификации от числа спектральных каналов. (E) Концептуальная схема спектрального разложения HSI. (F) Геометрическая интерпретация предположения о чистых пикселях на модельных наборах данных с чистыми пикселями и без них. (G) Схема получения спектров чистых компонентов из данных HSI. (H) Результаты спектрального разложения: определённые или извлечённые спектры чистых компонентов и карты их долей для разных материалов.
Обозначения. A: наблюдаемые данные, калибровка в энергетическую яркость, коррекция до отражения, восстановление (подавление шума, устранение полос, заполнение пропусков, устранение размытия), пространственное и спектральное улучшение, отбор каналов или извлечение признаков. Основные задачи: классификация, подавление шума, разложение смесей, обнаружение аномалий, восстановление, улучшение и обнаружение изменений. Примеры выходов: категории, доли, восстановленные показатели NDVI или культур, обнаруженные объекты. B: матрица корреляций, ортогональное проецирование и уменьшение межканальной избыточности. C: исходные каналы, главные компоненты PCA и компоненты MNF. D: изображение сцены, эталонная разметка и результаты KNN, SVM и RF. Классы: вода, деревья, луга, кирпич, почва, асфальт, битум, плитка. Оси графика: число спектральных каналов и общая точность. E–F: чистые и смешанные пиксели, спектры компонентов и их доли, линейная модель смеси, чистые пиксели в вершинах симплекса и случай без чистых пикселей. G–H: оценка числа компонентов, извлечение спектров, сравнение со спектральной библиотекой, определение материала и визуализация карт долей.

Классификация

Классификация относит каждый пиксель к заранее определённой категории или классу по спектральной сигнатуре или извлечённым признакам [20]. Согласно статистике за 2015–2025 гг., классификации посвящено примерно 62 % публикаций по HSI, что подчёркивает её центральную роль в гиперспектральном анализе. Методы обычно делят на обучение без учителя и с учителем в зависимости от наличия при обучении эталонной разметки, выполненной экспертами.
Классификация без учителя, часто называемая сегментацией, группирует пиксели в спектрально однородные области без априорной информации о классах с помощью алгоритмов кластеризации, например k-средних [21]. Такие методы полезны для разведочного анализа или при отсутствии эталонной разметки, однако на сложных сценах обычно дают меньшую точность. Методы классификации с учителем более распространены в практических задачах HSI и демонстрируют более высокую точность и устойчивость [18]. Они используют размеченные обучающие образцы, то есть спектральные данные с метками классов, для обучения статистических моделей или моделей машинного обучения, выделяющих различающие закономерности в спектральной или спектрально-пространственной области. К классическим алгоритмам обучения с учителем относятся линейный дискриминантный анализ (LDA) [6], k ближайших соседей (KNN) [22], метод опорных векторов (SVM) [23] и случайный лес (RF) [24]. Все они широко применяются благодаря интерпретируемости и способности к обобщению при качественной разметке.
На рис. 3D показаны типичная гиперспектральная сцена городской территории, её попиксельная эталонная разметка и результаты классификации по исходным данным, по признакам после PCA и после MNF с использованием трёх классификаторов: KNN, SVM и RF. Обычно классификатор обучают на случайно отобранном подмножестве размеченных пикселей, затем прогнозируют классы остальных тестовых образцов. Стандартная метрика качества — общая точность (OA), то есть доля правильно классифицированных пикселей от их общего числа. Снижение размерности обычно улучшает классификацию по сравнению с прямым использованием полных спектральных сигнатур. Из двух методов MNF обеспечивает более высокую точность и меньшие ошибки по классам для всех пикселей, что отражает преимущества в подавлении шума и выделении информативных признаков. Увеличенный фрагмент показывает, что на картах по исходным данным и по PCA смешиваются сходные классы «асфальт», «почва», «деревья» и «плитка», тогда как MNF лучше сохраняет разделимость классов. Для количественной оценки мы определили OA при KNN с разным числом спектральных каналов, со снижением размерности и без него. PCA обеспечивает результат, сопоставимый с исходными данными, достигая OA 91,21 % при использовании лишь нескольких главных компонент. MNF стабильно превосходит оба подхода, достигая OA около 96 %. В ведущих компонентах в значительной мере подавлена шумовая или неопределённая информация, поэтому признаки лучше различают классы.

Спектральное разложение смесей

В HSI-системах пространственным разрешением часто жертвуют ради высокого спектрального разрешения с сотнями узких каналов, например с шагом 10 нм. В результате на уровне пикселя часто происходит спектральное смешение: пиксель регистрирует суммарный сигнал от нескольких материалов. На рис. 3E показан пример на макроуровне. Спектральное смешение возникает на макроскопическом уровне, например при соседстве разных типов покрова, и на микроскопическом уровне, когда субпиксельные взаимодействия материалов, вплоть до молекулярных и атомных, приводят к сложным смесям.
Смешанные пиксели неизбежно ухудшают результаты высокоуровневого анализа. Поэтому спектральное разложение смесей стало одной из наиболее активно изучаемых задач HSI, уступая только классификации (около 9 % публикаций по данным рис. 3A). Каждый наблюдаемый спектр пикселя раскладывают на спектральные сигнатуры чистых компонентов (endmembers) и соответствующие доли, обычно представляемые в виде карт долей. Спектральное смешение математически описывают моделью смеси. Как видно на рис. 3E, широко используется линейная модель смеси (LMM) благодаря простоте и физической интерпретируемости. LMM предполагает плоскую поверхность и однократное рассеяние. Наблюдаемый спектр пикселя представляет собой взвешенную линейную сумму спектров чистых материалов, присутствующих в пикселе:
Формула (9)(9)
где E ∈ ℝ^(l×p) — матрица чистых компонентов, каждый столбец которой представляет спектр чистого материала, а aᵢ ∈ ℝ^(p×1) — вектор долей соответствующих компонентов в пикселе i. Для оценки спектров и их долей в задаче (9) обычно используют два основных подхода: (i) последовательный, при котором сначала определяют чистые компоненты или используют известные, а затем оценивают доли, и (ii) совместный, при котором оба параметра оценивают одновременно.
В последовательном подходе спектры чистых компонентов получают из подготовленных спектральных библиотек или непосредственно извлекают из данных HSI. Методы извлечения обычно опираются на предположение о чистых пикселях, то есть о наличии пикселей, преимущественно содержащих один материал. На рис. 3F приведена геометрическая интерпретация для случаев с чистыми пикселями и без них. Вершины симплекса представляют чистые пиксели или спектральные компоненты, каждый из которых соответствует отдельному классу материалов. При этом предположении геометрические алгоритмы, например индекс чистоты пикселя (PPI) [25], N-FINDR [26] и анализ вершинных компонент (VCA) [27], извлекают наиболее спектрально различные пиксели и интерпретируют их как чистые компоненты. Материалы можно затем идентифицировать, сравнивая их с записями спектральных библиотек по мерам сходства, таким как евклидово расстояние или спектральный угол. Схема извлечения компонентов и идентификации материалов показана на рис. 3G. После определения спектров E доли A = [a₁, a₂, …, aₙ] можно оценить методом наименьших квадратов, минимизируя ошибку между наблюдаемым спектром пикселя (X = [x₁, x₂, …, xₙ]) и его линейной аппроксимацией:
Формула (10)(10)
Для неограниченной задачи наименьших квадратов имеется аналитическое решение aᵢ = (EᵀE)⁻¹Eᵀxᵢ. Оно служит основой многих методов оценки долей. Для физической обоснованности на доли обычно накладывают два ограничения: неотрицательность (ANC), aᵢⱼ ≥ 0 для всех j, и нормировку суммы к единице (ASC), ∑ⱼ aᵢⱼ = 1 (j = 1, …, p). При этих ограничениях задача принимает вид:
Формула (11)(11)
Её можно решить квадратичным программированием [28]. Более сложные модели могут включать дополнительные регуляризирующие члены для обеспечения разреженности [29] или априорную информацию из крупных спектральных библиотек.
В совместном подходе задача формулируется как факторизация матрицы, известная также как слепое разделение источников. Она не опирается на предположение о чистых пикселях и применима даже при отсутствии в изображении полностью чистых спектральных компонентов. Матрицу спектров компонентов и матрицу долей рассматривают как неизвестные и оценивают по наблюдаемым данным. Минимизация ошибки реконструкции с физическими ограничениями сводит спектральное разложение к задаче условной оптимизации, аналогичной неотрицательной матричной факторизации (NMF) [30]:
Формула (12)(12)
Задачу обычно решают чередующейся оптимизацией, итеративно обновляя E и A. Инициализацию E часто выполняют методами извлечения компонентов, например VCA, чтобы задать физически обоснованные и спектрально различные начальные значения для сходимости. Формулировку (12) можно расширять дополнительными регуляризирующими членами, например на разреженность и гладкость, чтобы включить априорные знания предметной области или требования конкретной задачи. На рис. 3H показаны результаты спектрального разложения, включая извлечённые или определённые чистые спектральные компоненты и карты долей разных материалов.

Области применения

HSI стала универсальной междисциплинарной технологией детального неинвазивного анализа в разных областях, от мониторинга окружающей среды и сельского хозяйства до биомедицины, промышленного контроля, культурного наследия и обороны. Примеры применения приведены на рис. 4. Регистрируя непрерывные спектральные сигнатуры с высоким пространственным разрешением, HSI позволяет идентифицировать и количественно характеризовать материалы, структуры и состояния, часто неразличимые традиционными методами съёмки. Съёмка обходится без контакта, химического мечения и разрушающего отбора образцов, поэтому пригодна для применения как на месте, так и дистанционно. Развитие портативных и авиационных платформ ускорило внедрение HSI в динамичных условиях и при ограниченных ресурсах. Это расширило круг задач от раннего выявления болезней культур и пациентов до контроля качества на производстве в реальном времени и автономного наблюдения в сложной обстановке. Интеграция HSI с другими модальностями и её адаптация к встраиваемым системам реального времени расширяют возможности применения в науке, промышленности и общественной практике.

Наблюдение окружающей среды

Наблюдение окружающей среды Земли стало одной из первых и наиболее значимых областей применения HSI. Благодаря непрерывному спектральному охвату космические и авиационные HSI-системы позволяют точно характеризовать земной покров и его динамику, минеральный состав, свойства почвы, качество воды и компоненты атмосферы. Эти данные позволяют подробно классифицировать типы растительности, городскую инфраструктуру и состояние посевов, содействуя анализу землепользования [31]. В геологии HSI регистрирует слабые полосы поглощения для картографирования литологических единиц и определения минералов вторичного изменения, что помогает при поиске ресурсов [32]. В водных средах метод позволяет количественно оценивать содержание хлорофилла и растворённого органического вещества, а также мутность, содействуя раннему выявлению эвтрофикации и загрязнений [33]. Анализ гиперспектральных временных рядов позволяет подробно отслеживать изменения среды, включая обезлесение, последствия стихийных бедствий и расширение городов [34]. Кроме того, высокая спектральная точность HSI позволяет восстанавливать параметры аэрозолей и вертикальные профили атмосферы [35], улучшая оценку качества воздуха и радиационного воздействия.
Рис. 4. Примеры использования HSI. Показаны типовые задачи наблюдения окружающей среды, сельского и лесного хо
Рис. 4. Примеры использования HSI. Показаны типовые задачи наблюдения окружающей среды, сельского и лесного хозяйства, биомедицины, промышленного и пищевого контроля, изучения культурного наследия и судебной экспертизы, а также безопасности и обороны.
Обозначения. Наблюдение окружающей среды: картографирование земного покрова, поиск минералов, оценка качества воды, мониторинг изменений и восстановление параметров атмосферных аэрозолей. Сельское и лесное хозяйство: точное земледелие, классификация древесных пород, оценка урожайности, болезни пшеницы и фенотипирование. Биомедицина: анализ кожи лица, выявление опухолей, следы крови и биомаркеры сетчатки. Промышленный контроль: безопасность продуктов питания, распознавание пластмасс, выявление трещин дорожного покрытия, контрафактных лекарств и дефектов волокнистых материалов. Культурное наследие и судебная экспертиза: следы, археология, культурные артефакты, различия чернил и исторические документы. Безопасность: распознавание и сопровождение объектов, выявление маскировки, объектов и аномалий.

Сельское и лесное хозяйство

HSI существенно расширила возможности точного земледелия, фенотипирования растений и управления лесами, обеспечив неинвазивный мониторинг физиологии посевов и состава древесных пород с высоким разрешением в разных пространственных и временных масштабах. Регистрация слабых спектральных вариаций, связанных с пигментным составом, содержанием воды и строением тканей, позволяет детально классифицировать культуры и древесные породы [36,37], а также рано выявлять биотические и абиотические факторы стресса [38], часто до появления видимых симптомов. Это позволяет своевременно принимать меры, оптимизировать расход ресурсов и повышать устойчивость систем. Временные ряды HSI позволяют отслеживать развитие культур в динамике [39], измерять ключевые показатели, например содержание хлорофилла и водный статус полога, на разных стадиях роста и моделировать потенциальную урожайность при разных условиях среды. В сочетании с ИИ и спектрально-пространственным моделированием HSI позволяет лучше различать степени поражения болезнями, уровень обеспеченности питательными веществами и сортовые различия в крупных селекционных программах [40]. Помимо морфологических признаков, HSI регистрирует биохимические изменения, вызванные стрессом или инфекцией, которые невозможно заметить визуально [41]. Это позволяет выявлять угрозы на самых ранних стадиях и обосновывать селекционные стратегии на основе данных с помощью спектральных биомаркеров, связанных с признаками растений.

Биомедицина

HSI показала значительный потенциал для медицинской диагностики и хирургической навигации благодаря визуализации состава тканей и патологических изменений в реальном времени без меток. Гиперспектральные системы обнаруживают слабые спектральные различия между здоровыми и изменёнными тканями [42] даже при отсутствии видимых признаков. Различия связаны с изменениями оксигенации гемоглобина, содержания воды и клеточной морфологии. Клинические применения включают определение границ опухолей, классификацию кожных поражений, анализ компонентов крови [43] и обнаружение биомаркеров сетчатки. Во время операций HSI исследуется как способ помочь хирургам определять важные анатомические структуры и границы резекции, уменьшая зависимость от субъективной интерпретации. Портативные системы применялись в дерматологии для классификации заболеваний кожи [44] и в офтальмологии для выявления диабетической ретинопатии [45,46]. Как метод без ионизирующего излучения и контрастных веществ, HSI пригодна для повторных обследований непосредственно в месте оказания медицинской помощи, длительного наблюдения и ранней диагностики в клинических и амбулаторных условиях.

Промышленный контроль

В производстве и пищевой промышленности HSI позволяет быстро и неразрушающе оценивать состав и качество материалов непосредственно на производственных линиях. По пространственно разрешённым спектральным сигнатурам можно точно измерять содержание сахара и воды, выявлять ушибы, грибковое загрязнение или примеси в пищевых продуктах и обнаруживать посторонние предметы в упаковке [47]. Это позволяет применять как двоичную классификацию, например «соответствует/не соответствует», так и оценку по непрерывной шкале, например по индексу зрелости или свежести. В фармацевтическом производстве HSI используется для неразрушающей проверки подлинности действующего вещества, оценки равномерности покрытия и выявления контрафактных или некондиционных препаратов [48], повышая надёжность контроля качества. При переработке отходов HSI-датчики используются для распознавания и сортировки пластмасс по типу полимера на основе слабых спектральных различий между полиэтилентерефталатом (PET), полиэтиленом высокой плотности (HDPE), поливинилхлоридом (PVC) и другими материалами [49]. Это обеспечивает высокоточную автоматическую сортировку, повышает эффективность извлечения материалов и поддерживает экономику замкнутого цикла. Кроме того, HSI применяется для дефектоскопии композитных материалов [50] и инфраструктуры, например для обнаружения расслоений в армированных волокнами деталях или микротрещин дорожных покрытий [51], расширяя её роль в промышленном контроле качества.

Культурное наследие, судебная экспертиза и смежные области

HSI приобретает всё большее значение для неинвазивного изучения культурного наследия, позволяя подробно анализировать артефакты [52], исторические документы [53] и произведения искусства без физического контакта и подготовки образцов. Спектральные сигнатуры пигментов, связующих веществ и подложек с высоким разрешением позволяют определять состав материалов, выявлять подготовительные рисунки, картографировать ретушь и оценивать деградацию или результаты реставрации. Это важно для различения подлинных работ и подделок, выявления различий чернил в исторических рукописях [54] и выбора мер сохранения. В археологии HSI помогает дистанционно выявлять погребённые или выветрившиеся структуры [55], в частности скрытые растительностью или почвой. В судебной экспертизе HSI улучшает видимость латентных отпечатков пальцев, биологических следов и остатков химических веществ при сложном освещении или на неоднородном фоне [56]. К новым областям применения также относятся интеллектуальный текстиль, автономная навигация и системы переработки отходов, где характерные для материала спектральные признаки повышают точность классификации, безопасность и степень автоматизации. Эти достижения отражают переход HSI от исследовательского инструмента к встраиваемой технологии зондирования для разнообразных практических задач.

Безопасность, оборона и наблюдение

HSI применяется в обороне и безопасности благодаря возможности обнаруживать материалы и объекты по их уникальным спектральным «отпечаткам». Гиперспектральная съёмка позволяет выявлять слабые спектральные аномалии, указывающие на скрытые, замаскированные или отличающиеся по составу объекты, которые трудно заметить в обычных RGB- или тепловых изображениях. Это особенно ценно для обнаружения маскировки [57], синтетических материалов или взрывчатых веществ и выделения объектов, отличающихся от типичного природного фона. Алгоритмы обнаружения аномалий в данных HSI выявляют неожиданные или подозрительные закономерности даже на неоднородных или перегруженных деталями сценах, где ручной анализ оказывается неэффективным [58,59]. При использовании авиационных или спутниковых платформ HSI способствует наблюдению больших территорий, включая распознавание и сопровождение объектов [60], обеспечивая непрерывное получение подробных сведений об обстановке. HSI всё чаще объединяют с дополнительными методами зондирования [61], например лидаром (LiDAR), радиолокацией и акустикой, чтобы повысить устойчивость при ухудшении условий, противодействии или визуально сложных сценах. Это укрепляет её роль в многосенсорных системах получения информации следующего поколения.

Воспроизводимость и размещение данных

Задачи и усилия сообщества по стандартизации HSI

Воспроизводимость и ответственный обмен данными принципиально важны для долгосрочного доверия к HSI и её применения в научных исследованиях. Сложность и изменчивость получения, предобработки и анализа данных мешают получать согласованные результаты в разных исследованиях и лабораториях. Для решения этих проблем необходимы строгая методология и широкое внедрение общих стандартов и репозиториев.

Факторы, ограничивающие воспроизводимость HSI

На воспроизводимость влияют вариации конфигурации установок и датчиков, условий среды и способов предобработки. Даже небольшие отличия освещения, угла наблюдения или калибровочных эталонов могут заметно менять спектральный отклик. Без подробных метаданных и прозрачных процедур обработки воспроизвести результаты или сравнить модели практически невозможно. Дополнительные трудности возникают при ручном выборе областей интереса (ROI), неполном описании критериев разметки и настройке моделей на небольших или однородных наборах данных, что часто ведёт к переобучению. Эти факторы усугубляются отсутствием общих протоколов перекрёстной проверки, определений классов и метрик качества.

Стандарты сообщества и практики размещения данных

Ведётся разработка стандартов метаданных и руководств по публикации наборов данных для повышения воспроизводимости HSI. Хорошо документированный набор должен включать характеристики датчика (спектральный диапазон, разрешение и конфигурацию каналов), метаданные съёмки (дату, время, местоположение, освещение и погоду), сведения о калибровке (белый или тёмный эталон, коррекция неравномерности поля), этапы предварительной обработки (сглаживание, нормализацию или снижение размерности) и протоколы разметки (стратегию, определения классов и сведения о специалистах, выполнявших разметку). Метаданные следует структурировать в машиночитаемых форматах, таких как JavaScript Object Notation (JSON), YAML (YAML Ain’t Markup Language) и eXtensible Markup Language (XML), чтобы обеспечить совместимость с аналитическими процессами. Настоятельно рекомендуется включать сценарии или вычислительные блокноты для предварительной обработки и обучения базовых моделей.

Репозитории гиперспектральных наборов данных

Всё больше репозиториев поддерживают размещение и распространение наборов HSI из разных научных областей. В табл. 3 приведены характерные публичные наборы с указанием размеров данных, диапазона длин волн, типа датчика и области применения. Эти наборы охватывают наблюдение Земли, сельское хозяйство, медицину, культурное наследие и промышленный контроль, отражая междисциплинарный характер HSI.
Таблица 3. Репрезентативные наборы гиперспектральных данных в разных областях.
Набор данных Число образцов Размеры, число каналов, диапазон Спектрометр / датчик Применение
Pavia [62] 1 1 610 × 610 × 102 (430–860 нм) 1096 × 1096 × 103 (430–860 нм) ROSIS Картографирование земного покрова и землепользования
Cuprite [63] 2 640 × 320 × 210 (400–2500 нм) HYDICE Поиск полезных ископаемых
Viareggio [64] 3 540 × 375 × 127 (350–2500 нм) SIM.GA Обнаружение изменений
Santa Barbara [65] 2 984 × 740 × 224 (400–2500 нм) AVIRIS Обнаружение изменений
bayArea Barbara [65] 2 600 × 500 × 224 (400–2500 нм) AVIRIS Обнаружение изменений
Hermiston city [66] 2 390 × 200 × 242 (400–2500 нм) HYPERION Обнаружение изменений
FWQC [67] 5 000 384 × 384 × 286 (450–900 нм) AISA Оценка качества воды
AOD-MODIS [68] 136 400 100 × 12 (400–1440 нм) MODIS Восстановление параметров аэрозолей
AVIRIS-NG [35] 21 100 × 500 × 319 (380–2510 нм) AVIRIS Восстановление параметров аэрозолей
Indian Pines [69] 1 145 × 145 × 224 (400–2500 нм) AVIRIS Классификация сельскохозяйственных культур
Salinas [69] 1 512 × 217 × 224 (400–2500 нм) AVIRIS Сельскохозяйственный покров
UAV-HSI-Crop [70] 433 96 × 96 × 200 (385–1021 нм) Resonon Pika L Классификация типов культур
Pest [71] 52 900 9 × 9 × 224 (400–1000 нм) Specim FX10 Идентификация вредителей
UC-HSI [72] 886 100 × 100 × 300 (385–1021 нм) Resonon Pika L Классификация типов культур
IPK [73] 10 142 2056 × 2454 × 139 (390–750 нм) 1234 × 1624 × 152 (400–750 нм) 254 × 320 × 17 (1450–1550 нм) Basler Pilot piA2400-17gc Basler Scout scA1400-17gc Nir 300 PGE Фенотипирование растений
IBT [42] 61 741 × 1004 × 826 (400–1000 нм) Hyperspec Обнаружение опухолей головного мозга
HyperBlood [74] 14 696 × 520 × 128 (377–1046 нм) SOC710 Обнаружение крови
Hyper-Skin [44] 330 1024 × 1024 × 448 (400–1000 нм) Specim FX10 Анализ кожи лица
Spectral Retina [75] 72 1024 × 1024 × 30 (400–700 нм) Canon CR5-45NM Обнаружение поражений при ретинопатии
GHIFVD [76] 42 / × / × 204 (376–821 нм) Specim VNIR HS-CL-30-V8E-OEM Качество фруктов и овощей
Chicken Breasts [77] 240 991 × 960 × 176 (400–1000 нм) 333 × 320 × 256 (900–1700 нм) Gaiafield-Pro-V10 GaiaField-Pro-N17E Качество куриного мяса
Counterfeit Medicines [78] 24 / × / × 213 (350–1050 нм) MS-720 Обнаружение контрафактных лекарств
Biodegradable Plastics [79] 210 / × / × 232 (950–1730 нм) HySpex Baldur S-640i N Распознавание пластмасс
CFRP [50] — 336 × 336 × 256 (400–950 нм) 256 × 320 × 75 (950–1700 нм) Specim V8E Innospec Red Eye 1.7 Обнаружение повреждений материалов
Expressway [51] 1031 960 × 1057 × 176 (394–1001 нм) GaiaSky-mini2 Обнаружение трещин дорожного покрытия
Historical Ink [53] 44 900 × 900 × 121 (380–1080 нм) 640 × 640 × 161 (888–1732 нм) Resonon Pika L Resonon Pika IR+ Классификация чернил
iVision HHID [80] 270 512 × 650 × 149 (478–901 нм) Imec SNAPSCAN VNIR Выявление различий чернил
Egyptian Coffin [81] 240 512 × 512 × 204 (400–1000 нм) Specim IQ Распознавание культурных артефактов
ACSS [82] 10 000 / × / × 512 (400–1050 нм) GER 1500 Археология
BeverageHSI [83] 1 1800 × 11144 × 186 (400–1000 нм) HySpex VNIR-1800 Судебная экспертиза
HOTC [60] 50 512 × 256 × 16 (470–620 нм) XIMEA Распознавание и сопровождение объектов
ABU [84] 12 1 100 × 100 × 188 — 150 × 150 × 207 (400–2500 нм) 150 × 150 × 102 (430–860 нм) AVIRIS ROSIS Обнаружение объектов и аномалий
AIR-HAD [59,85] 3 80 × 100 × 253 — 300 × 500 × 253 (400–1000 нм) SIOM-CAS Обнаружение объектов и аномалий
HOSD [86] 18 869 × 649 × 224 — 2302 × 479 × 224 (365–2500 нм) AVIRIS Обнаружение нефтяных разливов
Для воспроизводимости и совместимости поставщикам рекомендуется сопровождать исходные и предобработанные файлы структурированными метаданными, например об условиях съёмки и процедурах калибровки, картами меток или аннотациями, а также понятной документацией по обработке. Предпочтительны открытые лицензии, такие как Creative Commons Attribution (CC BY) и Creative Commons Zero (CC0), обеспечивающие доступность и повторное использование. Принятие согласованных сообществом форматов данных и стандартов метаданных позволит проводить тестирование, сопоставлять методы и разрабатывать модели машинного обучения с устойчивыми и обобщаемыми результатами как в лабораторных экспериментах, так и в полевых условиях.

Ограничения и способы оптимизации

HSI прошла путь от специализированной технологии дистанционного зондирования до универсального инструмента для научных, промышленных и социальных задач. Несмотря на значительный прогресс в разработке датчиков, вычислительном анализе и интеграции с ИИ, сохраняются существенные ограничения. Они связаны с фундаментальными аппаратными компромиссами, чувствительностью к изменчивости среды и условий съёмки и сложностью анализа многомерных данных. В частности, более широкому внедрению мешают компромисс между спектральным, пространственным и временным разрешениями, недостаточная воспроизводимость измерений на разных платформах и в разных условиях и ограниченная масштабируемость алгоритмов при обработке избыточных, зашумлённых и слабо размеченных данных.
Разработки последних лет помогают преодолевать эти препятствия. Вычислительная гиперспектральная съёмка, генеративная предобработка, предварительно обученные фундаментальные модели и количественная оценка неопределённости меняют процессы получения и анализа данных. Эти подходы позволяют создавать более устойчивые, интерпретируемые и эффективные HSI-системы, пригодные для применения в динамичных реальных условиях и при ограниченных ресурсах.

Текущие ограничения

Аппаратные компромиссы

Системы HSI ограничены взаимосвязанными аппаратными факторами, обусловленными конечным числом регистрируемых фотонов, пропускной способностью датчика и физическими ограничениями съёмочных платформ. Эти компромиссы определяют конструкцию, развёртывание и характеристики реальных систем.
• Спектрально-пространственный компромисс. Увеличение спектрального разрешения обычно требует более узких и многочисленных каналов, из-за чего на каждый канал приходится меньше энергии. Для поддержания достаточного отношения сигнал/шум часто приходится снижать пространственное разрешение, увеличивать время интегрирования или усложнять систему.
• Отношение сигнал/шум и скорость съёмки. Высокую спектральную достоверность трудно обеспечить в реальном времени, особенно при слабом освещении или в динамичной среде. Системы мгновенной или быстрой сканирующей съёмки часто дают меньшее отношение сигнал/шум из-за меньшего времени накопления и требуют развитого шумоподавления или реконструкции сигнала.
• Объём данных и ограничения передачи. HSI регистрирует сотни смежных спектральных каналов и создаёт объёмы данных на несколько порядков больше, чем RGB- или мультиспектральная съёмка. Это предъявляет высокие требования к памяти, пропускной способности и хранению, особенно для встраиваемых систем и БПЛА, где данные требуется передавать или обрабатывать в реальном времени.
• Миниатюризация датчиков и характеристики. Лёгкие компактные системы, необходимые для полевой и беспилотной съёмки или носимых приборов, часто требуют компромисса по качеству оптики, чувствительности детектора или охлаждению. Достижение качества настольных приборов при мобильной эксплуатации остаётся важной инженерной задачей.
• Стоимость оборудования и масштабируемость. Высокопроизводительные камеры требуют прецизионной оптики, диспергирующих элементов и чувствительных детекторов. Они остаются дорогими, а их серийное производство сложно масштабировать. Это ограничивает доступность HSI в областях, чувствительных к стоимости, например в сельском хозяйстве или диагностике по месту оказания медицинской помощи.

Неоднородность условий съёмки

В реальных условиях HSI сильно зависит от внешних физических и природных факторов. Они вызывают сложную спектральную изменчивость [87,88], затрудняющую воспроизводимость, сопоставимость и обобщение между областями. Эти несоответствия, обычно несущественные в лаборатории, становятся критичными при переходе к полевой, космической или авиационной съёмке.
• Изменчивость освещения. Изменения высоты Солнца, облачности или рельефа приводят к спектральным сдвигам и вариациям интенсивности, которые трудно нормализовать для разных моментов и мест съёмки.
• Атмосферные возмущения. Водяной пар, аэрозоли и другие компоненты атмосферы вносят нелинейные искажения, различающиеся по длинам волн и высоте. Особенно заметно это в SWIR и тепловом инфракрасном диапазоне (TIR).
• Анизотропия поверхности. Отражение материалов зависит от углов наблюдения и освещения из-за двунаправленного характера отражения. Стандартные методы коррекции редко полностью компенсируют этот эффект.
• Особенности датчиков. Различия в конструкции, методиках калибровки и функциях спектрального отклика создают существенные расхождения между данными разных платформ.
• Трудности коррекции. Атмосферную коррекцию на основе физических моделей и радиометрическую нормализацию сложно устойчиво применять к неоднородным сценам, что ограничивает переносимость моделей и стандартизацию.

Задачи анализа

Высокая размерность и сложная структура данных HSI создают трудности для разработки алгоритмов, вычислительной эффективности и интерпретации. Их усугубляют различия характеристик датчиков и ограниченное количество качественно размеченных образцов.
• Многомерная структура. Тензорная пространственно-спектральная структура HSI-кубов обусловливает высокую размерность и сложность данных. При съёмке временных рядов размерность дополнительно возрастает, усиливая «проклятие размерности» [89]. Это осложняет эффективное хранение, масштабируемую обработку и надёжный анализ.
• Спектральная избыточность и шум. Узкополосная регистрация приводит к сильной межканальной корреляции и существенной спектральной избыточности. В сочетании с низким отношением сигнал/шум в отдельных областях спектра это затрудняет выявление информативных признаков, пригодных для различения объектов.
• Недостаток стандартизации. Большие различия числа каналов, диапазонов длин волн и характеристик датчиков затрудняют гибкое повторное использование предварительно обученных моделей и воспроизведение результатов тестирования. Разобщённость ограничивает масштабирование между датчиками и препятствует разработке устойчивых переносимых процедур анализа.
• Ограниченность разметки. Качественный анализ зависит от точной эталонной разметки, которая трудоёмка, занимает много времени и часто требует специальных знаний. Поэтому размеченные наборы редки и невелики, что ограничивает разработку устойчивых моделей и замедляет переход к масштабной, высокопроизводительной и быстрой обработке и интерпретации HSI.
• Сложность и непрозрачность моделей. Высокая размерность и сложная взаимосвязь пространственных и спектральных параметров требуют специализированных архитектур с высокими вычислительными затратами. Глубокое обучение даёт перспективные результаты, однако непрозрачность моделей и недостаток физической интерпретируемости вызывают опасения в ответственных областях применения HSI, таких как сельское хозяйство, экология и здравоохранение, где важны объяснимость и доверие.
• Сдвиг между предметными областями. Модели, обученные на лабораторных или синтетических данных, часто плохо обобщаются на реальные условия из-за особенностей съёмки, например изменчивого освещения, атмосферных воздействий или неоднородности материалов. Такой сдвиг снижает устойчивость и мешает надёжному использованию на разных платформах и в разных областях применения.

Стратегии оптимизации

Вычислительная гиперспектральная съёмка

Неотъемлемые аппаратные ограничения, включая неизбежные компромиссы между пространственным и спектральным разрешением, качеством данных и скоростью съёмки, по-прежнему ограничивают обычные HSI-системы. Перспективный подход — вычислительная гиперспектральная съёмка, объединяющая конструкцию оптики и алгоритмическую реконструкцию. Совместная оптимизация оборудования и цифровой обработки в таких гибридных системах позволяет преодолевать традиционные ограничения производительности.
Например, обучаемое сверхразрешение или методы HSI можно встроить непосредственно в схему получения данных [90], повышая пространственное и спектральное разрешение одновременно без ухудшения отношения сигнал/шум. Нейросетевые архитектуры [91], адаптированные к аппаратным ограничениям, например облегчённые свёрточные сети или квантованные спектральные кодировщики, позволяют выполнять вывод в реальном времени на встраиваемых платформах. Параллельная реализация классификации и разложения смесей на графических процессорах (GPU) или программируемых логических интегральных схемах (FPGA) приближает интерпретацию данных в реальном времени, в том числе на борту носителя [92]. Совместное проектирование позволяет согласовать компактные недорогие датчики с требованиями высокоточных приложений и служит одним из основных направлений развития HSI следующего поколения.

Генеративная предобработка

На получение гиперспектральных данных неизбежно влияют физические, химические, природные и аппаратные факторы, осложняющие воспроизводимость, надёжность и переносимость последующего анализа. Традиционные физические модели коррекции полезны, однако часто не позволяют полностью устранить эти трудности, особенно при нелинейных искажениях, зависящих от сцены, или артефактах конкретного датчика. Генеративные модели ИИ [93], включая состязательное обучение, перенос стиля и нормализацию с учётом датчика, способны учиться моделировать и компенсировать такие сложности и изменчивость на основе данных при восстановлении и реконструкции. Эти модели показали повышенную адаптируемость и способность к обобщению в задачах восстановления данных и спектральной реконструкции. Интеграция генеративных моделей в обработку HSI как этапа предобработки позволяет уменьшить различия условий съёмки и повысить устойчивость последующего анализа.

Предварительно обученные фундаментальные модели

Предварительно обученные фундаментальные модели — перспективное решение в условиях высокой размерности и сложной структуры HSI, трудностей извлечения различающих признаков из избыточных и шумных спектров и нехватки размеченных образцов. Например, архитектуры на основе трансформеров [94] можно обучать на больших массивах HSI без ручной разметки методами самоконтролируемого обучения [95], извлекая содержательные спектрально-пространственные представления из неразмеченных данных. После предварительного обучения для дообучения требуется лишь небольшой объём размеченных данных, однако по качеству такие модели могут быть сопоставимы с моделями, обученными на значительно больших размеченных наборах. Подход «предварительное обучение и дообучение» становится одним из основных в HSI [96,97]. Он обеспечивает гибкое и масштабируемое решение разных последующих задач с лучшей обобщаемостью и эффективностью использования данных.

Количественная оценка неопределённости

Хотя методы машинного обучения на основе данных всё шире используются в HSI, сохраняются вопросы их стабильности, переносимости и надёжности на практике. Обычно модели полностью извлекают представления из данных по принципу «чёрного ящика». Это приводит к непрозрачности и непредсказуемости поведения, особенно при переносе на новые сцены или области. Неопределённость можно оценивать или уменьшать с помощью явного моделирования уверенности, включения знаний предметной области или байесовских подходов [98]. Эти стратегии повышают надёжность, воспроизводимость и прозрачность [99], особенно важные в ответственных областях HSI, таких как сельское хозяйство, здравоохранение и экологический мониторинг.

Перспективы

На основе современных ограничений и новых стратегий оптимизации HSI мы формулируем долгосрочное видение развития области. Оно выделяет направления для следующего поколения HSI, объединяющие прогресс оборудования, вычислительных моделей и инициатив профессионального сообщества.

Концепция 3J для будущего гиперспектральной съёмки, обработки и анализа

Дальнейший прогресс HSI, вероятно, будет определяться интегративными подходами, объединяющими проектирование оптики, обработку данных и аналитическое моделирование. Мы предлагаем концепцию 3J как основу HSI-систем следующего поколения. Она включает совместное проектирование программного и аппаратного обеспечения, совместное использование разных HSI-датчиков и совместное моделирование мультимодальных данных на основе HSI. Концепция предполагает тесную связь зондирования, вычислений, квантования и интерпретации, чтобы преодолеть спектрально-пространственные компромиссы, трудности стандартизации данных и ограничения обобщения между областями. Она может обеспечить будущим HSI-платформам новые уровни производительности, масштабируемости и адаптируемости для научных, промышленных и общественных задач.

Первый принцип J — совместное проектирование аппаратного и программного обеспечения

В традиционной разработке HSI аппаратную часть и аналитическую обработку часто рассматривают как независимые компоненты. Это ухудшает сквозную эффективность и приводит к несоответствию ограничений съёмки требованиям алгоритмов. Совместное проектирование позволяет оптимизировать оборудование, например оптику, детекторы и сканирующие механизмы, вместе с программной частью — алгоритмами реконструкции, моделями ИИ или квантовым обучением — для повышения эффективности всей системы.

Второй принцип J — совместное использование разных датчиков HSI

Будущие системы HSI выиграют от согласованного применения нескольких гиперспектральных датчиков на разных платформах — спутниках, пилотируемых воздушных судах, БПЛА и ручных приборах — и в разных диапазонах, например видимом и ближнем инфракрасном (VNIR), коротковолновом (SWIR) и тепловом инфракрасном (TIR). Благодаря взаимодополняющим пространственным, спектральным и временным характеристикам такие системы обеспечат съёмку в разных масштабах и разрешениях, преодолевая ограничения каждого отдельного типа датчика. Совместное применение обеспечивает более полное понимание сцены, надёжную перекрёстную валидацию и улучшенное обобщение в разных средах. Реализация требует совершенствования объединения данных датчиков, согласования спектральных откликов и единых протоколов калибровки для обеспечения сопоставимого качества данных разных платформ.

Третий принцип J — совместное моделирование нескольких модальностей на основе HSI

Аналитические системы нового поколения будут всё чаще использовать совместное моделирование, объединяющее гиперспектральные данные с дополнительными модальностями: датчиками глубины (например, лидаром или структурированным светом), радиолокационными системами (например, SAR), тепловизорами, событийными камерами или семантическими и контекстными данными, включая текст, метаданные и сведения из социальных сетей. При таком объединении HSI служит центральным слоем многоканальной системы восприятия, предоставляющей расширенную информацию о глубине, структуре и свойствах материалов, которую нельзя получить только по спектрам. Совместные модели перспективны для преодоления ограничений пространственного разрешения, оценки глубины и семантической интерпретации. Ключевые задачи включают разработку алгоритмов совмещения модальностей, единых представлений признаков и масштабируемых архитектур для согласованной обработки разнородных источников и обучения на их данных.

Пространственно структурированная HSI и съёмка со всех ракурсов

Данные HSI представляют в виде трёхмерного куба с двумя пространственными и одним спектральным измерением, однако такая структура лишь условно трёхмерна. Современные методы обычно используют один или фиксированный ракурс и дают плоскую проекцию сцены без истинной стереоскопической или объёмной информации. Многоракурсная и пространственно структурированная съёмка может преодолеть это ограничение. Объединение съёмки светового поля с регистрацией гиперспектральных данных позволит восстанавливать истинные трёхмерные и даже четырёхмерные спектрально-пространственные представления с учётом динамики и формированием гиперспектрального видео.
Сочетание многоракурсных или многоапертурных систем с вычислительной реконструкцией позволит одновременно получать спектральную информацию и геометрическую глубину и полнее описывать сцену. Генеративные модели ИИ будут учиться синтезировать объёмные гиперспектральные кубы по ограниченному набору ракурсов, интерполировать отсутствующие углы и восстанавливать виды с ненаблюдавшихся позиций. Это позволит сформировать HSI со всех ракурсов — целостное представление объектов и сред с сохранением спектральной и геометрической достоверности.
Пространственно структурированная HSI может существенно изменить такие области, как цифровые двойники, прецизионная робототехника, сохранение культурного наследия и автономная навигация, где важны и состав материалов, и трёхмерная геометрия. В отдалённой перспективе объединение съёмки светового поля, структурированного освещения и гиперспектрального зондирования с моделированием на основе ИИ может создать поколение четырёхмерных HSI-платформ, учитывающих спектральные, пространственные, угловые и временные измерения в единой системе.

Фундаментальные модели и агенты HSI

Благодаря быстрому развитию ИИ гиперспектральная съёмка движется к созданию фундаментальных моделей, действующих как универсальный «спектральный мозг», способный в единой системе работать с разными задачами, датчиками и средами. Такие модели обучаются на крупных разнородных данных и формируют целостные спектрально-пространственные представления, объединяющие съёмку, предобработку, анализ и интерпретацию. Включение априорной физической информации и самоконтролируемого спектрального обучения направлено на преодоление нехватки данных, разобщённости данных разных датчиков и сдвигов между областями применения.
В перспективе фундаментальные модели могут стать основой агентов HSI — автономных систем, способных воспринимать среду, адаптивно анализировать спектральные признаки и принимать решения с учётом контекста в реальном времени. Агент на базе такой модели объединит восприятие, рассуждение и действие, от динамической настройки съёмки и анализа на борту до получения практических выводов для приложений от точного земледелия до автономных планетных исследований. Такая концепция предполагает самооптимизирующуюся универсальную платформу и меняет подход к регистрации и использованию гиперспектральных данных.

Универсальная парадигма OFA

Стремительное развитие ИИ и сопутствующих технологий может коренным образом изменить возможности HSI. На горизонте 5–10 лет мы предполагаем развитие парадигмы «один для всех» (one-for-all, OFA), пересматривающей структуру данных и аналитические модели гиперспектральных систем.
На уровне данных концепция OFA предполагает представления сверхвысокой степени сжатия, при которых полный гиперспектральный куб сводится к компактному информативному эквиваленту одного канала. Такое представление позволит по запросу восстановить требуемый спектральный куб, карту признаков или аналитический продукт. Подход может преодолеть ограничения, связанные с типом датчика, размером данных, разрешением или особенностями платформы, и обеспечить преимущества в хранении, передаче и совместимости разных датчиков. Снижение нагрузки на оборудование позволит проводить масштабируемый, адаптивный и общедоступный анализ HSI как при достаточных, так и при ограниченных вычислительных ресурсах.
На уровне моделей концепция OFA подразумевает единую гибкую архитектуру для разных задач и входных данных HSI. Такая модель объединит данные разных спектральных диапазонов, пространственных разрешений и схем съёмки, а также сведёт несколько аналитических моделей или процессов в одну систему. Независимо от числа и типов входов, единая модель сможет адаптивно обрабатывать и анализировать их, устраняя необходимость в моделях для каждого датчика или каждой задачи. Это создаёт предпосылки для упрощения гиперспектрального анализа, универсальности и масштабирования между областями и приложениями.
На прикладном уровне мы ожидаем появления OFA-приложений, когда одна интеллектуальная система гибко решает разные задачи HSI — от мониторинга окружающей среды и точного земледелия до здравоохранения, промышленности и культурного наследия — без специализированных моделей для каждого сценария. Этот подход упростит процессы, ускорит внедрение и расширит доступ к гиперспектральному анализу, формируя универсальную платформу для науки, технологий и принятия решений на практике.

Работа сообщества над открытой, ответственной и масштабируемой HSI

Будущее значение HSI зависит как от технических достижений, так и от последовательной работы сообщества над открытостью, воспроизводимостью и доступностью. Общая инфраструктура — открытые программные инструменты, эталонные наборы данных, платформы разметки и репозитории моделей — необходима для прозрачности, сопоставимости и прогресса между предметными областями. Не менее важно снижать технические барьеры внедрения с помощью модульных программных библиотек, облачных платформ анализа и отраслевых учебных материалов. Это даст исследователям, практикам и лицам, принимающим решения, дополнительные возможности в таких областях, как сельское хозяйство, экология, мониторинг среды и здравоохранение. По мере внедрения HSI в действующие системы профессиональное сообщество будет играть важную роль в ответственной разработке, строгой валидации и равноправном доступе к спектральной аналитике в разных странах и условиях.

Список литературы

[1] Rybicki, G. B. & Lightman, A. P. Radiative processes in astrophysics (John Wiley & Sons, 2024).
[2] Goetz, A. F., Vane, G., Solomon, J. E. & Rock, B. N. Imaging spectrometry for earth remote sensing. Science 228, 1147–1153 (1985).
[3] Vane, G. et al. The airborne visible/infrared imaging spectrometer (aviris). Remote. Sens. Environ. 44, 127–143 (1993).
[4] Chang, C.-I. Hyperspectral imaging: techniques for spectral detection and classification, vol. 1 (Springer Science & Business Media, 2003).
[5] Greenacre, M. et al. Principal component analysis. Nat. Rev. Methods Primers 2, 100 (2022).
[6] Zhao, S., Zhang, B., Yang, J., Zhou, J. & Xu, Y. Linear discriminant analysis. Nat. Rev. Methods Primers 4, 70 (2024).
[7] Bioucas-Dias, J. M. et al. Hyperspectral unmixing overview: Geometrical, statistical, and sparse regression-based approaches. IEEE journal selected topics applied earth observations remote sensing 5, 354–379 (2012).
[8] Hong, D. et al. Interpretable hyperspectral artificial intelligence: When nonconvex modeling meets hyperspectral remote sensing. IEEE Geosci. Remote. Sens. Mag. 9, 52–87 (2021).
[9] Hong, D. et al. Multimodal artificial intelligence foundation models: Unleashing the power of remote sensing big data in earth observation. The Innov. Geosci. 2, 100055 (2024).
[10] Hardeberg, J. Y., Schmitt, F. & Brettel, H. Multispectral color image capture using a liquid crystal tunable filter. Opt. engineering 41, 2532–2548 (2002).
[11] Chang, I. Acousto-optic tunable filters. Opt. Eng. 20, 824–829 (1981).
[12] Chlus, A. et al. HyTools (1.6.0) (2025). Accessed: 2025-04-28.
[13] Boggs, T. Spectral Python (SPy) User Guide. https://www.spectralpython.net/user guide.html (2020). Accessed: 2023-11- 24.
[14] Bakker, W. et al. Hyperspectral python: Hyppy. Algorithms 17, 337 (2024).
[15] Aburaed, N., Alkhatib, M. Q., Marshall, S., Zabalza, J. & Al Ahmad, H. A review of spatial enhancement of hyperspectral remote sensing imaging techniques. IEEE J. Sel. Top. Appl. Earth Obs. Remote. Sens. 16, 2275–2300 (2023).
[16] Yokoya, N., Yairi, T. & Iwasaki, A. Coupled nonnegative matrix factorization unmixing for hyperspectral and multispectral data fusion. IEEE Transactions on Geosci. Remote. Sens. 50, 528–537 (2011).
[17] He, J. et al. Spectral super-resolution meets deep learning: Achievements and challenges. Inf. Fusion 97, 101812 (2023).
[18] Rasti, B. et al. Feature extraction for hyperspectral imagery: The evolution from shallow to deep: Overview and toolbox. IEEE Geosci. Remote. Sens. Mag. 8, 60–88 (2020).
[19] Green, A. A., Berman, M., Switzer, P. & Craig, M. D. A transformation for ordering multispectral data in terms of image quality with implications for noise removal. IEEE Transactions on Geosci. Remote. Sens. 26, 65–74 (1988).
[20] Ahmad, M. et al. A comprehensive survey for hyperspectral image classification: The evolution from conventional to transformers and mamba models. Neurocomputing 130428 (2025).
[21] Jain, A. K., Murty, M. N. & Flynn, P. J. Data clustering: a review. ACM Comput. Surv. 31, 264–323 (1999).
[22] Peterson, L. E. K-nearest neighbor. Scholarpedia 4, 1883 (2009).
[23] Hearst, M. A., Dumais, S. T., Osuna, E., Platt, J. & Scholkopf, B. Support vector machines. IEEE Intell. Syst. Their Appl. 13, 18–28 (1998).
[24] Breiman, L. Random forests. Mach. Learn. 45, 5–32 (2001).
[25] Boardman, J. W., Kruse, F. A. & Green, R. O. Mapping target signatures via partial unmixing of aviris data. In The fifth annual JPL Airborne Earth Science Workshop., 23–26 (Pasadena, CA, 1995).
[26] Winter, M. E. N-findr: An algorithm for fast autonomous spectral end-member determination in hyperspectral data. In Imaging spectrometry V, vol. 3753, 266–275 (SPIE, 1999).
[27] Nascimento, J. M. & Dias, J. M. Vertex component analysis: A fast algorithm to unmix hyperspectral data. IEEE Transactions on Geosci. Remote. Sens. 43, 898–910 (2005).
[28] Nocedal, J. & Wright, S. J. Quadratic programming. Numer. optimization 448–492 (2006).
[29] Bioucas-Dias, J. M. & Figueiredo, M. A. Alternating direction algorithms for constrained sparse regression: Application to hyperspectral unmixing. In 2010 2nd Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing, 1–4 (IEEE, 2010).
[30] Lee, D. & Seung, H. S. Algorithms for non-negative matrix factorization. Adv. neural information processing systems 13 (2000).
[31] Jilge, M., Heiden, U., Neumann, C. & Feilhauer, H. Gradients in urban material composition: A new concept to map cities with spaceborne imaging spectroscopy data. Remote. Sens. Environ. 223, 179–193 (2019).
[32] Van der Meer, F. D. et al. Multi-and hyperspectral geologic remote sensing: A review. Int. journal applied Earth observation geoinformation 14, 112–128 (2012).
[33] Space4Water. Exploring the exciting potential of hyperspectral imaging for water quality monitoring. https://www.space4water.org/news/exploring-exciting-potential-hyperspectral-imaging-water-quality-monitoring (2022). Retrieved 2025-06-01.
[34] Ding, L. et al. A survey of sample-efficient deep learning for change detection in remote sensing: Tasks, strategies, and challenges. IEEE Geosci. Remote. Sens. Mag. (2025).
[35] Mauceri, S., Kindel, B., Massie, S. & Pilewskie, P. Neural network for aerosol retrieval from hyperspectral imagery. Atmospheric Meas. Tech. 12, 6017–6036 (2019).
[36] Yi, C. et al. Aerial hyperspectral remote sensing classification dataset of xiongan new area (matiwan village). Natl. Remote. Sens. Bull. 24, 1299–1306 (2020).
[37] Ma, Y., Zhao, Y., Im, J., Zhao, Y. & Zhen, Z. A deep-learning-based tree species classification for natural secondary forests using unmanned aerial vehicle hyperspectral images and lidar. Ecol. Indic. 159, 111608 (2024).
[38] Thenkabail, P. & Aneece, I. Global hyperspectral imaging spectral-library of agricultural crops for conterminous united states v001 (2019). Distributed by NASA EOSDIS Land Processes Distributed Active Archive Center.
[39] Yokoya, N., Zhu, X. X. & Plaza, A. Multisensor coupled spectral unmixing for time-series analysis. IEEE Transactions on Geosci. Remote. Sens. 55, 2842–2857 (2017).
[40] Deng, J. et al. Rustqnet: Multimodal deep learning for quantitative inversion of wheat stripe rust disease index. Comput. Electron. Agric. 225, 109245 (2024).
[41] Deng, J. et al. Quantitative estimation of wheat stripe rust disease index using unmanned aerial vehicle hyperspectral imagery and innovative vegetation indices. IEEE Transactions on Geosci. Remote. Sens. 61, 1–11 (2023).
[42] Leon, R. et al. Hyperspectral imaging benchmark based on machine learning for intraoperative brain tumour detection. npj Precis. Oncol. 7, 119 (2023).
[43] Ksiazek, K., Romaszewski, M., Glomb, P., Grabowski, B. & Cholewa, M. Blood stain classification with hyperspectral imaging and deep neural networks. Sensors 20, 6666 (2020).
[44] Ng, P. C., Chi, Z., Verdie, Y., Lu, J. & Plataniotis, K. N. Hyper-skin: A hyperspectral dataset for reconstructing facial skin-spectra from rgb images. Adv. Neural Inf. Process. Syst. 36, 24158–24170 (2023).
[45] Gao, L., Smith, R. T. & Tkaczyk, T. S. Snapshot hyperspectral retinal camera with the image mapping spectrometer (ims). Biomed. optics express 3, 48–54 (2011).
[46] Hadoux, X. et al. Non-invasive in vivo hyperspectral imaging of the retina for potential biomarker use in alzheimer’s disease. Nat. Commun. 10, 4227 (2019).
[47] Leiva-Valenzuela, G. A., Lu, R. & Aguilera, J. M. Prediction of firmness and soluble solids content of blueberries using hyperspectral reflectance imaging. J. Food Eng. 115, 91–98 (2013).
[48] Coic, L. et al. Comparison of hyperspectral imaging techniques for the elucidation of falsified medicines composition. Talanta 198, 457–463 (2019).
[49] Zheng, Y., Bai, J., Xu, J., Li, X. & Zhang, Y. A discrimination model in waste plastics sorting using nir hyperspectral imaging system. Waste Manag. 72, 87–98 (2018).
[50] Yan, Y. et al. Non-destructive testing of composite fiber materials with hyperspectral imaging—evaluative studies in the eu h2020 fibreeuse project. IEEE Transactions on Instrumentation Meas. 71, 1–13 (2022).
[51] Chen, X. et al. A multiscale enhanced pavement crack segmentation network coupling spectral and spatial information of uav hyperspectral imagery. Int. J. Appl. Earth Obs. Geoinformation 128, 103772 (2024).
[52] Tang, X. et al. Digital restoration of mural paintings from late tang tomb m1373 in xi’an based on hyperspectral analysis and image interaction processing. npj Herit. Sci. 13, 1–22 (2025).
[53] López-Baldomero, A. B., Buzzelli, M., Moronta-Montero, F., Martı́nez-Domingo, M. Á. & Valero, E. M. Ink classification in historical documents using hyperspectral imaging and machine learning methods. Spectrochimica Acta Part A: Mol. Biomol. Spectrosc. 335, 125916 (2025).
[54] Nasir, F. A., Liaquat, S., Khurshid, K. & Mahyuddin, N. M. A hyperspectral unmixing approach for ink mismatch detection in unbalanced clusters. J. Inf. Intell. 2, 177–190 (2024).
[55] Liang, H. Advances in multispectral and hyperspectral imaging for archaeology and art conservation. Appl. Phys. A 106, 309–323 (2012).
[56] Edelman, G. J., Gaston, E., Van Leeuwen, T. G., Cullen, P. & Aalders, M. C. Hyperspectral imaging for non-contact analysis of forensic traces. Forensic science international 223, 28–39 (2012).
[57] Zhao, J., Zhou, B., Wang, G., Liu, J. & Ying, J. Camouflage target recognition based on dimension reduction analysis of hyperspectral image regions. In Photonics, vol. 9, 640 (MDPI, 2022).
[58] Nasrabadi, N. M. Hyperspectral target detection: An overview of current and future challenges. IEEE Signal Process. Mag. 31, 34–44 (2013).
[59] Li, C. et al. Learning disentangled priors for hyperspectral anomaly detection: A coupling model-driven and data-driven paradigm. IEEE Transactions on Neural Networks Learn. Syst. (2025).
[60] Xiong, F., Zhou, J. & Qian, Y. Material based object tracking in hyperspectral videos. IEEE Transactions on Image Process. 29, 3719–3733 (2020).
[61] Li, X., Li, C., Vivone, G. & Hong, D. Seamo: A season-aware multimodal foundation model for remote sensing. Inf. Fusion (2024).
[62] Licciardi, G. et al. Decision fusion for the classification of hyperspectral data: Outcome of the 2008 grs-s data fusion contest. IEEE Transactions on Geosci. Remote. Sens. 47, 3857–3865 (2009).
[63] Resmini, R., Kappus, M., Aldrich, W., Harsanyi, J. & Anderson, M. Mineral mapping with hyperspectral digital imagery collection experiment (hydice) sensor data at cuprite, nevada, usa. Int. J. Remote. Sens. 18, 1553–1570 (1997).
[64] Acito, N., Matteoli, S., Rossi, A., Diani, M. & Corsini, G. Hyperspectral airborne “viareggio 2013 trial” data collection for detection algorithm assessment. IEEE J. Sel. Top. Appl. Earth Obs. Remote. Sens. 9, 2365–2376 (2016).
[65] López-Fandiño, J., B. Heras, D., Argüello, F. & Dalla Mura, M. Gpu framework for change detection in multitemporal hyperspectral images. Int. J. Parallel Program. 47, 272–292 (2019).
[66] Hasanlou, M. & Seydi, S. T. Hyperspectral change detection: An experimental comparative study. Int. journal remote sensing 39, 7029–7083 (2018).
[67] Koponen, S., Pulliainen, J., Kallio, K. & Hallikainen, M. Lake water quality classification with airborne hyperspectral spectrometer and simulated meris data. Remote. Sens. Environ. 79, 51–59 (2002).
[68] Wang, Z., Lan, L. & Vucetic, S. Mixture model for multiple instance regression and applications in remote sensing. IEEE Transactions on Geosci. Remote. Sens. 50, 2226–2237 (2011).
[69] Universidad del Paı́s Vasco. Hyperspectral remote sensing scenes (2022). Accessed: 2025-06-12.
[70] Niu, B. et al. Hsi-transunet: A transformer based semantic segmentation model for crop mapping from uav hyperspectral imagery. Comput. Electron. Agric. 201, 107297 (2022).
[71] Xiao, Z. et al. Pest identification via hyperspectral image and deep learning. Signal, Image Video Process. 16, 873–880 (2022).
[72] Sankararao, A. U., Rajalakshmi, P. & Choudhary, S. Uc-hsi: Uav based crop hyperspectral imaging datasets and machine learning benchmark results. IEEE Geosci. Remote. Sens. Lett. (2024).
[73] Arend, D. et al. Quantitative monitoring of arabidopsis thaliana growth and development using high-throughput plant phenotyping. Sci. Data 3, 1–13 (2016).
[74] Romaszewski, M., Głomb, P., Sochan, A. & Cholewa, M. A dataset for evaluating blood detection in hyperspectral images. Forensic science international 320, 110701 (2021).
[75] Fält, P. et al. Spectral imaging of the human retina and computationally determined optimal illuminants for diabetic retinopathy lesion detection. J. Imaging Sci. Technol 55, 030509 (2011).
[76] Ennis, R., Schiller, F., Toscani, M. & Gegenfurtner, K. R. Hyperspectral database of fruits and vegetables. J. Opt. Soc. Am. A 35, B256–B266 (2018).
[77] Cai, M., Li, X., Liang, J., Liao, M. & Han, Y. An effective deep learning fusion method for predicting the tvb-n and tvc contents of chicken breasts using dual hyperspectral imaging systems. Food Chem. 456, 139847 (2024).
[78] Shinde, S. R. et al. Detection of counterfeit medicines using hyperspectral sensing. In 2020 42nd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC), 6155–6158 (IEEE, 2020).
[79] Taneepanichskul, N., Hailes, H. C. & Miodownik, M. Automatic identification and classification of compostable and biodegradable plastics using hyperspectral imaging. Front. Sustain. 4, 1125954 (2023).
[80] Islam, A. U., Khan, M. J., Asad, M., Khan, H. A. & Khurshid, K. ivision hhid: Handwritten hyperspectral images dataset for benchmarking hyperspectral imaging-based document forensic analysis. Data Brief 41, 107964 (2022).
[81] Cucci, C. et al. Hyperspectral imaging and convolutional neural networks for augmented documentation of ancient egyptian artefacts. Herit. Sci. 12, 75 (2024).
[82] Gravanis, E. & Agapiou, A. Descriptor: Archaeological cropmark synthetic signatures (acss). IEEE Data Descr. (2025).
[83] Melit Devassy, B. & George, S. Forensic analysis of beverage stains using hyperspectral imaging. Sci. Reports 11, 6512 (2021).
[84] Kang, X. et al. Hyperspectral anomaly detection with attribute and edge-preserving filters. IEEE Transactions on Geosci. Remote. Sens. 55, 5600–5611 (2017).
[85] Li, C. et al. Interpretable networks for hyperspectral anomaly detection: A deep unfolding solution. IEEE Transactions on Geosci. Remote. Sens. (2024).
[86] Duan, P., Kang, X., Ghamisi, P. & Li, S. Hyperspectral remote sensing benchmark database for oil spill detection with an isolation forest-guided unsupervised detector. IEEE Transactions on Geosci. Remote. Sens. 61, 1–11 (2023).
[87] Borsoi, R. A. et al. Spectral variability in hyperspectral data unmixing: A comprehensive review. IEEE Geosci. Remote. Sens. Mag. 9, 223–270 (2021).
[88] Hong, D., Yokoya, N., Chanussot, J. & Zhu, X. X. An augmented linear mixing model to address spectral variability for hyperspectral unmixing. IEEE Transactions on Image Process. 28, 1923–1938 (2018).
[89] Köppen, M. The curse of dimensionality. In 5th online world conference on soft computing in industrial applications (WSC5), vol. 1, 4–8 (2000).
[90] Li, C. et al. Casformer: Cascaded transformers for fusion-aware computational hyperspectral imaging. Inf. Fusion 108, 102408 (2024).
[91] Ren, P. et al. A comprehensive survey of neural architecture search: Challenges and solutions. ACM Comput. Surv. (CSUR) 54, 1–34 (2021).
[92] Plaza, A., Plaza, J., Paz, A. & Sanchez, S. Parallel hyperspectral image and signal processing [applications corner]. IEEE Signal Process. Mag. 28, 119–126 (2011).
[93] Feuerriegel, S., Hartmann, J., Janiesch, C. & Zschech, P. Generative ai. Bus. & Inf. Syst. Eng. 66, 111–126 (2024).
[94] Dosovitskiy, A. et al. An image is worth 16x16 words: Transformers for image recognition at scale. arXiv preprint arXiv:2010.11929 (2020).
[95] Liu, X. et al. Self-supervised learning: Generative or contrastive. IEEE Transactions on Knowl. Data Eng. 35, 857–876 (2021).
[96] Li, X., Hong, D. & Chanussot, J. S2mae: A spatial-spectral pretraining foundation model for spectral remote sensing data. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 24088–24097 (2024).
[97] Hong, D. et al. Spectralgpt: Spectral remote sensing foundation model. IEEE Transactions on Pattern Analysis Mach. Intell. 46, 5227–5244 (2024).
[98] Gawlikowski, J. et al. A survey of uncertainty in deep neural networks. Artif. Intell. Rev. 56, 1513–1589 (2023).
[99] Li, C. et al. Interpretable foundation models as decryptors peering into the earth system. The Innov. 5 (2024).
18 ноября 2026