Practical Approach for Hyperspectral Image Processing in Python

Abstract

ABSTRACT:Python is a very popular programming language among data scientists around the world. Python can also be used in hyperspectral data analysis. There are some toolboxes designed for spectral imaging, such as Spectral Python and HyperSpy, but there is a need for analysis pipeline, which is easy to use and agile for different solutions. We propose a Python pipeline which is built on packages xarray, Holoviews and scikit-learn. We have developed some of own tools, MaskAccessor, VisualisorAccessor and a spectral index library.

Convolutional neural networks for hyperspectral image classification

“…Se refiere principalmente a una serie de algoritmos y procesos usados con el fin de extraer información característica de imágenes digitales para poder analizarlas en diferentes ámbitos, bien sea en su composición de color, en búsqueda de formas características o en búsqueda de datos que puedan ser relevantes para un estudio en particular. Estos procesos van desde la toma y adquisición de las imágenes, pasando por un preprocesamiento (cambios de escala, espacios de color, corrección de ruido, filtros, segmentación, etc), y una extracción de características, la visión por computadora se ha ido masificando de manera acelerada debido a que puede ser usada en múltiples aplicaciones de la vida cotidiana, industrial, agrícola, comercial, médica, entre otras [5] [14] [8]. A continuación se dará una breve explicación de los algoritmos usados en el preprocesamiento de las imágenes que se usaron en este estudio en particular:…”

“…Otra de las ventajas importantes es el uso de imágenes hiperespectrales, ya que gracias al uso de estas es posible analizar la información no solo de manera espacial si no que también de manera espectral, y así poder observar de manera detallada los elementos que caracterizan cada uno de los grupos de clasificacion, ya que en este caso en particular la información espacial proporcionaría únicamente detalles acerca de la forma de las hojas y no seria posible identificar la enfermedad. Existen estudios que muestran los beneficios de usar estas técnicas en conjunto, es decir, analizar las imágenes hiperespectrales con técnicas de aprendizaje profundo [5] [25] [19], dentro de los beneficios que se muestran son la capacidad de poder analizar de manera paralela las características espaciales y espectrales propias de los objetos observados, ya que además de hacer detección de alguna característica particular es posible segmentar y clasificar imágenes dependiendo de los diferentes valores de reflectancia presentes en la imagen, entre otras muchas aplicaciones.…”

Design and Development of Open Source Software Solution for Hyperspectral Data Simulation: Hydas.

“…In addition, large and comprehensive libraries are available in python for a variety of applications (Bunting et al 2014) HyDaS has been developed in the Python programming language environment. The algorithm has been implemented using a spectral python library (Spy) (Annala et al 2018). SPy is a free, open source library of Python available for processing hyperspectral datasets.…”