Особенности формирования псевдогиперспектральных изображений из RGB компонент

В статье обсуждаются вопросы формирования спектральных изображений в телевизионных мультиспектральных и гиперспектральных системах. Гиперспектральный куб данных содержит больше информации, чем куб мультиспектральной системы, однако, гиперспектральные системы имеют ограничения в пространственной и временной области. Существующая корреляция между гиперспектральной и мультиспектральной информацией и наличие данных об отражательной способности исследуемой сцены, позволяют построить псевдогиперспектральную систему на основе мультиспектральной, имеющей ограниченное число визуализируемых спектральных каналов. При этом в результате послесеансной обработки ограниченное количество мультиспектральных изображений преобразуется в псевдогиперспектральные изображения, соответствующие нескольким сотням спектральных каналов. Минимальной мультиспектральной системой может считаться телевизионная система, состоящая из трех каналов R, Gи B. Для реализации процедуры получения псевдогиперспектральных изображений на первом этапе обработки R, G, B компонент необходимо реализовать методы улучшения их цветового разрешения и обеспечения баланса белого. В статье рассмотрена возможность применения для вышеуказанной задачи метода обработки видеоинформации, основанного на теории нелинейного двухкомпонентного зрения советского инженера С. Д. Ременко.

1. Sun X., Zhang L., Yang H., Wu T., Cen Y., Guo Y. Enhancement of Spectral Resolution for Remotely Sensed Multispectral Image // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2015. 8. 2198-2211.

2. Huo H., Guo J., Li Z. Hyperspectral Image Classification for Land Cover Based on an Improved Interval Type-II Fuzzy C-Means Approach // Sensors (Basel). 2018. 18. 363. DOI: 10.3390/s18020363

3. Song Y.-Q., Zhao X., Su H.-Y., Li B., Hu Y.-M., Cu X.-S. Predicting Spatial Variations in Soil Nutrients with Hyperspectral Remote Sensing at Regional Scale // Sensors. 2018. 18(9). 3086. DOI: 10.3390/s18093086

4. Fan L., Zhao J., Xu X., Liang D., Yang G., Feng H., Yang H., Wang Y., Chen G., Wei P. Hyperspectral-based Estimation of Leaf Nitrogen Content in Corn Using Optimal Selection of Multiple Spectral Variables // Sensors 2019. 19(3). 2898. DOI: 10.3390/s19132898

5. Jarek P., Barry P., Perlman J., Markham B. Aggregation of hyperspectral Hyperion spectral bands into Landsat-7 ETM+ spectral bands // GARSS 2001. Scanning the Present and Resolving the Future. Proceedings. IEEE 2001 International Geoscience and Remote Sensing Symposium. 2001 IEEE International Symposium on Geosciences and Remote Sensing, Institute of Electrical and Electronics Engineers. 2001. P. 2822-2824

6. Ременко С. Д. Определение основных понятий в области колориметрии и измерения цветовых параметров излучения // V Всеакадемический семинар по проблемам стандартизации и метрологии. Ереван, 16-20 ноября 1987. Ереван. 1987. С. 58-59.

7. Чупров А. Д., Синькова В. И., Кузнецов И. В. Теории цветовосприятия. Фоторецепторный аппарат сетчатки глаза // Современные проблемы науки и образования. 2021. 6. URL: https://science-education.ru/article/view?id=31287 (Дата обращения: 16.01.2023).

8. Land E., McCann J. Lightness and retinex theory Text: electronic // Journal of the Optical Society of America. 1971. 61(1). 1-11. DOI: 10.1364/JOSA.61.000001

9. Bertalmío M., Caselles V., Provenzi E. Issues about Retinex theory and contrast enhancement // International Journal of Computer Vision. 2009. Jun. 83(1). 101-119. DOI: 10.1007/s11263-009-0221-5

10. Roszczyk R., Krupa A., Antoniuk I. Normal Patch Retinex Robust Alghoritm for White Balancing in Digital Microscopy, In the case of microscopic medical images // Machine GRAPHICS & VISION. 2020. 29(1/4). 79-95. DOI: 10.22630/MGV.2020.29.1.5