BR112017015177B1

BR112017015177B1 - imageador hiperespectral para imagear ambientes externos

Info

Publication number: BR112017015177B1
Application number: BR112017015177-4A
Authority: BR
Inventors: Richard J. Murphy; Arman Melkumyan; Anna Chlingaryan; Dai Bang Nguyen; Stuart Wishart; Alex Lowe; Steven Scheding
Original assignee: Technological Resources Pty. Limited
Priority date: 2015-01-14
Filing date: 2016-01-14
Publication date: 2021-05-11
Also published as: US20220034717A1; US20180031422A1; US11125619B2; AU2021221407A1; AU2016206432A1; CA2973772C; CA2973772A1; AU2021221407B2; WO2016112430A1; AU2023251482A1; BR112017015177A2; AU2016206432B2

Abstract

Trata-se de um imageador hiperespectral compacto adaptado para operar em ambientes severos e para conduzir o processamento de sinal pós-aquisição para fornecer resultados de processamento hiperespectral automatizados e aprimorados. O processamento inclui processamento de luminância e brilho de imagens hiperespectrais capturadas, classificação de imagem hiperespectral e renderização inversa para produzir processamento de imagem de invariável em luminosidade.

Description

CAMPO DA INVENÇÃO

[0001] A presente invenção refere-se ao campo de imageamento hiperespectral (do inglês, hysperspectral imaging) e, em particular, se refere a um imageador hiperespectral (do inglês, hyperspectral imager) compacto adaptado para operar em ambientes severos e ao processamento de sinal pós-aquisição para fornecer resultados de processamento hiperespectral automatizados e aprimorados.

REFERÊNCIAS

[0002] Ben-Dor E, Patkin K, Banin A, Karnieli A (2002) Mapping of several soil properties using DAIS-7915 hyperspectral scanner data - a case study over clayey soils in Israel. Int J Remote Sens 23, 1043 a 1062.

[0003] Bierwirth P, Huston D, Blewett R (2002) Hyperspectral Mapping of Mineral Assemblages Associated with Gold Mineralization in the Central Pilbara, Western Australia. Economic Geology 97, 819 a 826.

[0004] Chabrillat S, Goetz AFH, Krosley L, Olsen HW (2002) Use of hyperspectral images in the identification and mapping of expansive clay soils and the role of spatial resolution. Remote Sens Environ 82, 431 a 445.

[0005] Clark RN, Roush TL (1984) Reflectance spectroscopy: Quantitative analysis techniques for remote sensing applications. J Geophys Res 89, 6329 a 6340.

[0006] Clark RN, Swayze GA, Livo KE, Kokaly RF, Sutley SJ, Dalton JB, McDougal RR, Gent CA (2003) Imaging spectroscopy: Earth and planetary remote sensing with the USGS Tetracorder and expert systems. Journal of Geophysical Research: Planets 108, 5131.

[0007] Congalton RG, Oderwald RG, Mead RA (1983) Assessing Landsat classification accuracy using discrete multivariate-analysis statistical techniques. Photogrammetric Engineering and Remote Sensing 49, 1671 a 1678.

[0008] Cudahy TJ, Ramanaidou, E.R., 1997. Measurement of the hematite:goethite ratio using field visible and near-infrared reflectance spectrometry in channel iron deposits, western Australia. Australian Journal of Earth Sciences 44, 411 a 420.

[0009] Daughtry CST, Hunt ER, McMurtrey JE (2004) Assessing crop residue cover using shortwave infrared reflectance. Remote Sens Environ 90, 126 a 134.

[0010] Elvidge CD (1988). Vegetation reflectance features in AVIRIS data, Sixth Thematic Conference on Remote Sensing for Exploration Geology. Environmental Research Institute of Michigan, Houston, Texas, pp. 169 a 182.

[0011] Goetz AFH (2009) Three decades of hyperspectral remote sensing of the Earth: A personal view. Remote Sens Environ 113, S5-S16.

[0012] Hecker C, van der Meijde M, van der Werff H, van der Meer FD (2008) Assessing the Influence of Reference Spectra on Synthetic SAM Classification Results. IEEE Transactions on Geoscience and Remote Sensing 46, 4162 a 4172.

[0013] Hosek, L., Wilkie, A.: An analytic model for full spectral sky-dome radiance. ACM Transactions on Graphics (TOG) 31 (2012) 1 a 9.

[0014] Hosek, L., Wilkie, A.: Adding a Solar-Radiance Function to the Ho”sek- Wilkie Skylight Model. Computer Graphics and Applications, IEEE 33 (2013) 44 a 52.

[0015] Hudson WD, Ramm CW (1987) Correct formulation of the Kappa Coefficient of Agreement. Photogrammetric Engineering and Remote Sensing 53, 421 a 422.

[0016] Jiang L, Zhu B, Rao X, Berney G, Tao Y (2007) Discrimination of black walnut shell and pulp in hyperspectral fluorescence imagery using Gaussian kernel function approach. J Food Eng 81, 108 a 117.

[0017] Kohram M, Sap M (2008) Composite Kernels for Support Vector Classification of Hyper-Spectral Data, MICAI 2008: Advances in Artificial Intelligence, pp. 360 a 370.

[0018] Kokaly RF, Despain DG, Clark RN, Livo KE (2003) Mapping vegetation in Yellowstone National Park using spectral feature analysis of AVIRIS data. Remote Sens Environ 84, 437 a 456.

[0019] Kruse FA, Lefkoff AB, Dietz JB (1993). Expert system-based mineral mapping in northern death valley, California/Nevada, using the Airborne Visible/Infrared Imaging Spectrometer (AVIRIS). Remote Sens Environ 44, 309 a 336.

[0020] Mather PM (2004) Computer processing of remotely-sensed images, 3rd ed. John WIley and Sons, Chichester, UK.

[0021] Melkumyan A, Nettleton E (2009) An observation angle dependent nonstationary covariance function for gaussian process regression. Lecture Notes in Computer Science 5863, 331 a 339.

[0022] Melkumyan A, Ramos F (2011) Multi-Kernel Gaussian Processes, The International Joint Conference on Artificial Intelligence (IJCAI'11), Barcellona, Spain.

[0023] Morris RC (1980) A textural and mineralogical study of the relationship of iron ore to banded iron formation in the Hamersley iron province of Wester Australia. Economic Geology 75, 184 a 209.

[0024] Morris RC, Kneeshaw M (2011) Genesis modelling for the Hamersley BIF- hosted iron ores of Western Australia: a critical review. Australian Journal of Earth Sciences 58, 417 a 451.

[0025] Murphy RJ (1995) Mapping of jasperoid in the Cedar Mountains, Utah, U.S.A., using imaging spectrometer data. Int J Remote Sens 16, 1021 a 1041.

[0026] Murphy RJ, Monteiro ST, Schneider S (2012) Evaluating Classification Techniques for Mapping Vertical Geology Using Field-Based Hyperspectral Sensors. IEEE Transactions on Geoscience and Remote Sensing 50, 3066 a 3080.

[0027] Murphy RJ, Wadge G (1994) The effects of vegetation on the ability to map soils using imaging spectrometer data. Int J Remote Sens 15, 63 a 86.

[0028] Plaza A, Benediktsson JA, Boardman JW, Brazile J, Bruzzone L, Camps- Valls G, Chanussot J, Fauvel M, Gamba P, Gualtieri A, Marconcini M, Tilton JC, Trianni G (2009) Recent advances in techniques for hyperspectral image processing. Remote Sens Environ 113, S110-S122.

[0029] Rasmussen CE, Williams CKI (2006) Gaussian Processes for Machine Learning. MIT Press.

[0030] Reda, I., Andreas, A.: Solar position algorithm for solar radiation applications. Solar energy 76.5 (2004) 577 a 589.

[0031] Schneider S, Murphy RJ, Melkumyan A, in press. Evaluating the performance of a new classifier - the GP-OAD: a comparison with existing methods for classifying rock-type and mineralogy from hyperspectral imagery. Journal of Photogrammetry and Remote Sensing.

[0032] Taylor, Z., Nieto, J.: A Mutual Information Approach to Automatic Calibration of Camera and Lidar in Natural Environments. In: ACRA. (2012) 3 a 5

[0033] Van, G, Goetz AFH (1988) Terrestrial imaging spectroscopy. Remote Sens Environ 24, 1 a 29.

ANTECEDENTES

[0034] Qualquer discussão da técnica antecedente ao longo do relatório descritivo não deve ser considerada de modo algum como uma admissão de que tal técnica é amplamente conhecida ou forma parte do conhecimento geral no campo.

[0035] O imageamento hiperespectral é um recurso importante na análise de conjunto de imagens para determinar atributos de uma imagem. No imageamento hiperespectral, uma faixa de comprimentos de onda é perfilada com intensidade para cada pixel em uma imagem. Através de análise da resposta espectral de cada pixel no conjunto de imagens capturadas, atributos da imagem capturada podem ser determinados. O imageamento hiperespectral, portanto, tem aplicação particular à análise dos recursos em um ambiente geográfico. O imageamento hiperespectral é também valioso na análise geral de recursos geográficos em uma imagem.

[0036] Infelizmente, imageamento hiperespectral frequentemente tem de acontecer em ambientes extremamente hostis. Por exemplo, quando utilizado em um ambiente de mineração severo, o dispositivo de imageamento hiperespectral é frequentemente exposto a extremos ambientais. A Figura 40 ilustra uma forma de captura de imagem hiperespectral em um ambiente de mineração.

[0037] Além disso, o conjunto de imagens capturadas pode incluir frequentemente uma faixa de defeitos significativos de modo que imagens hiperespectrais capturadas possam exigir pós-processamento extensivo para melhorar as características das imagens capturadas. Por exemplo, o conjunto de imagens capturadas, em um ambiente natural, pode ter efeitos de sombra significativos causando variâncias de iluminação, e variação de reflexão direcional significativa das superfícies capturadas.

SUMÁRIO DA INVENÇÃO

[0038] É um objetivo da invenção fornecer uma forma aprimorada de imageador hiperespectral e pós-processamento para fornecer saídas hiperespectrais aprimoradas e/ou pelo menos fornecer uma alternativa útil às soluções existentes.

[0039] De acordo com um primeiro aspecto da presente invenção, é fornecido um imageador hiperespectral para imagear ambientes externos, sendo que o imageador inclui: uma unidade escaneadora de linha óptica adaptada para realizar escaneamentos de linha de um ambiente externo por meio de rotação do mesmo; um invólucro ambiental que fornece um primeiro grau de temperatura e isolamento de pó do ambiente, sendo que o invólucro é montado em uma plataforma giratória; uma plataforma giratória anexada ao invólucro ambiental, adaptada para girar a unidade de invólucro ambiental e unidade escaneadora de linha óptica sob o controle de um sistema de controle eletrônico; uma unidade resfriadora termoelétrica anexada ao invólucro ambiental para resfriar o invólucro, mantendo assim o invólucro em uma temperatura substancialmente estável durante operações; e um sistema de controle eletrônico para controlar a unidade resfriadora termoelétrica, e a unidade escaneadora de linha óptica e o sistema de rotação.

[0040] O imageador hiperespectral pode incluir adicionalmente uma porta dissecante e baia de retenção para reter um dissecante para fornecer controle de umidade ao invólucro. A unidade resfriadora termoelétrica pode ser montada no topo do invólucro. A plataforma giratória pode ser acionada por uma corrente de cabos para gerenciar o movimento de cabo e evitar a ruptura. O invólucro ambiental pode incluir preferencialmente pelo menos uma passagem óptica para projeção de uma lente óptica da unidade escaneadora de linha óptica.

[0041] De acordo com um aspecto adicional da presente invenção, é fornecido um método para processamento de luminância de uma imagem hiperespectral capturada, sendo que o método inclui processar iterativamente a série de imagens hiperespectrais através das etapas de: (a) capturar uma imagem hiperespectral de um ambiente geográfico que utiliza um nível de exposição atual; (b) determinar um proporção de saturação que é a razão entre o número de canais espectrais em um limite de saturação superior e o número total de canais espectrais; e (c) se a proporção de saturação estiver acima de um limiar predeterminado, reduzir o nível de exposição atual.

[0042] De acordo com um aspecto adicional da presente invenção, é fornecido um método para processamento de luminância de uma imagem hiperespectral, sendo que o método inclui processar iterativamente a série de imagens hiperespectrais através das etapas de: (a) determinar uma comparação entre um espectro de referência e um espectro capturado; e (b) quando o espectro capturado exceder o espectro de referência por uma quantidade predeterminada, reduzir a exposição do espectro de referência por uma quantidade predeterminada.

[0043] De acordo com um aspecto adicional da presente invenção, é fornecido um método para ajustar de modo iterativo o nível de exposição de uma imagem hiperespectral capturada, sendo que o método inclui as etapas de: determinar um primeiro nível de brilho de um quadro da imagem capturada; comparar o primeiro nível de brilho a um nível desejado predeterminado de brilho; determinar uma medida de diferença de logaritmo entre o primeiro nível de brilho e o nível desejado de brilho; e ajustar o nível de exposição da imagem de acordo com a medida de diferença de logaritmo.

[0044] Somente as bandas de comprimento de onda predeterminados da imagem hiperespectral são preferencialmente utilizadas no cálculo do primeiro nível de brilho. O processo iterativo começa inicialmente com um baixo nível de exposição.

[0045] De acordo com um aspecto adicional da presente invenção, é fornecido um método de processamento de imagens hiperespectrais de modo a classificar suas partes constituintes, sendo que o método inclui as etapas de: (a) derivar um modelo probabilístico dependente de ângulo de observação não estacionário para o conjunto de imagens hiperespectrais; (b) treinar os parâmetros de modelo probabilístico em amostras de mineral obtidas a partir de medições de refletância de luz artificial; e (c) utilizar o modelo probabilístico no conjunto de imagens hiperespectrais adquiridos a partir de condições geográficas de amostragem sob condições de iluminação natural, para classificar partes constituintes do conjunto de imagens hiperespectrais.

[0046] Em algumas modalidades, o modelo probabilístico compreende uma função de covariância não estacionária. O modelo probabilístico pode compreender uma função de covariância dependente de ângulo de observação não estacionário (OADCF). O modelo probabilístico pode incluir um processo Gaussiano de múltiplas tarefas. Em algumas modalidades, a etapa de treinamento inclui treinar as imagens em espectros de refletância obtidos com o uso da iluminação artificial. O modelo probabilístico pode incluir um processo Gaussiano de múltiplas tarefas que utiliza uma função de covariância não estacionária que é invariável em luminosidade. O modelo probabilístico pode ser uma função de covariância de múltiplas tarefas. O modelo probabilístico pode ser derivado de uma porção do conjunto de imagens hiperespectrais que incluem baixos níveis de absorção atmosférica.

[0047] De acordo com um aspecto adicional da presente invenção, é fornecido um método de processamento de conjunto de imagens hiperespectrais capturadas sob condições de iluminação natural, sendo que o método inclui as etapas de: (a) capturar uma imagem hiperespectral de um ambiente externo em condições de iluminação natural; (b) capturar dados de faixa sobrepostos das superfícies no ambiente externo; (c) utilizar os dados de faixa sobrepostos para decompor o ambiente externo em uma série de segmentações (ou uma malha); (d) realizar uma renderização inversa de absorção de luz em cada segmentação para determinar o nível de refletância da segmentação, por uma fonte de luz solar, iluminação de céu ambiente e segmentações circundantes; e (e) utilizar o nível de refletância de cada segmentação para alterar o nível de pixels correspondentes dentro da imagem hiperespectral.

[0048] Em algumas modalidades, a renderização inversa pode compreender uma renderização de radiosidade inversa.

[0049] De acordo com um aspecto adicional da presente invenção, é fornecido um método de processamento de conjunto de imagens hiperespectrais capturadas sob condições de iluminação natural, sendo que o método inclui as etapas de: (a) capturar uma imagem hiperespectral de um ambiente externo em condições de iluminação natural; (b) capturar dados de faixa sobrepostos das superfícies no ambiente externo; (c) utilizar os dados de faixa sobrepostos para decompor o ambiente externo em uma série de segmentações (ou uma malha); (d) realizar uma renderização de radiosidade inversa em cada segmentação para determinar o nível de refletância da segmentação, por uma fonte de luz solar, iluminação de céu ambiente e segmentações circundantes; e (e) utilizar o nível de refletância de cada segmentação para alterar o nível de pixels correspondentes dentro da imagem hiperespectral.

[0050] Em algumas modalidades, a etapa (c) compreende adicionalmente realizar a tesselagem das segmentações. A etapa (c) também pode incluir subdivisão adaptativa dos dados de faixa em uma série de segmentações. A etapa (d) pode incluir realizar uma estimativa de fator de forma para a dita série de segmentações. As etapas (d) e (e) podem ser repetidas para cada comprimento de onda da imagem hiperespectral capturada.

BREVE DESCRIÇÃO DOS DESENHOS

[0051] Serão descritas agora, modalidades da invenção, a título de exemplo apenas, em referência aos desenhos anexos, nos quais:

[0052] A Figura 1 ilustra esquematicamente a operação de escaneamento ambiental por um imageador hiperespectral;

[0053] A Figura 2 ilustra esquematicamente os componentes de processamento de sinal principal de um imageador hiperespectral;

[0054] A Figura 3 ilustra uma vista em perspectiva lateral de um imageador hiperespectral de uma modalidade;

[0055] A Figura 4 ilustra uma vista em perspectiva traseira de um imageador hiperespectral de uma modalidade;

[0056] A Figura 5 ilustra uma vista em perspectiva explodida de um imageador hiperespectral de uma modalidade;

[0057] A Figura 6 ilustra uma vista em perspectiva de topo de um conjunto de estágio giratório de uma modalidade;

[0058] A Figura 7 ilustra esquematicamente a interação de componentes elétricos de uma modalidade;

[0059] A Figura 8 ilustra esquematicamente o armazenamento de imagens hiperespectrais;

[0060] A Figura 9 à Figura 26 são diferentes formas de processamento de luminância de imagens;

[0061] A Figura 27 ilustra esquematicamente as porções de processamento de imagem do imageador;

[0062] A Figura 28 e a Figura 29 ilustram gráficos em espaço RD e ilustram as funções de covariância estacionária, que não podem ser invariáveis de luminosidade;

[0063] A Figura 30 ilustra um mapa generalizado da distribuição das principais, espectralmente distintas, unidades de xisto na face da rocha conforme mapeado a partir do campo de observação;

[0064] A Figura 31 ilustra um gráfico de espectros usados para treinar MTGP e SAM para classificar o conjunto de imagens de laboratório. Os comprimentos de onda no conjunto de dados contíguo são afetados por comprimentos atmosféricos e que foram removidos no conjunto de dados reduzido são mostrados em cinza. Espectros são deslocados no eixo geométrico vertical para fins de clareza. Os espectros são médias de 6 espectros adquiridos a partir de espectrômetro de campo de alta resolução.

[0065] A Figura 32 ilustra um gráfico de espectros usado para treinar MTGP e SAM para classificar o conjunto de imagens de campo. Os comprimentos de onda no conjunto de dados contíguo são afetados por comprimentos atmosféricos e que foram removidos no conjunto de dados reduzido são mostrados em cinza. Espectros são deslocados no eixo geométrico vertical para fins de clareza. Os espectros são médias de uma imagem hiperespectral adquirida no laboratório de amostras de rocha (n = 400).

[0066] A Figura 33 ilustra mapas classificados feitos por MTGP e SAM a partir do conjunto de imagens de laboratório: (a) MTGP que usa o conjunto de dados; (b) MTGP que usa o conjunto de dados reduzido; (c) SAM que usa o conjunto de dados; e (d) SAM que usa o conjunto de dados reduzido.

[0067] A Figura 34 ilustra mapas classificados exemplificadores feitos a partir do conjunto de imagens de campo hiperespectrais por (a) MTGP e (b) SAM. A diferença principal entre as imagens classificadas é nos números de pixels classificados como Xisto 3 e Xisto 1.

[0068] As Figuras 35 a 38 ilustram a variabilidade de espectros de nontronita. A Figura 35, 36 e 37 são espectros de pixel de imagem extraídos a partir de diferentes áreas da imagem classificadas como Xisto 2 por SAM e Xisto 3 por MTGP. A localização de características de absorção causadas por ferro férrico (Fe3+) e Fe-OH são indicados na Figura 37. Uma seleção dos espectros de treinamento individuais usados para treinar MTGP é mostrada na Figura 38, que inclui espectros com um pequeno (linha negra) e grande (linha cinza) declive entre 1.000 nm e 1.300 nm.

[0069] A Figura 39 ilustra espectros de imagem classificados como Xisto 1 por MTGP, mas como Xisto 5 por SAM. Os espectros de biblioteca de Xisto 1 e Xisto 5 são mostrados para comparação. Em todos os casos, o ângulo espectral entre cada um dos espectros de imagem e o espectro de biblioteca para Xisto 5 é menor do que para o Xisto 1. O ângulo espectral é mostrado para três espectros de imagem como um exemplo; o primeiro e o segundo números representam o ângulo espectral entre esse espectro e o espectro de biblioteca para o Xisto 1 e o Xisto 5, respectivamente.

[0070] A Figura 40 ilustra uma forma de uso de técnica anterior de imageadores hiperespectrais para capturar imagens hiperespectrais em um ambiente de mineração.

[0071] A Figura 41 ilustra o treinamento de processamento para unir o conjunto de imagens hiperespectrais e a geometria de cenário para determinar uma versão invariante de luminância da imagem hiperespectral.

[0072] A Figura 42 ilustra um fluxograma do processo de cálculo de radiosidade inversa de uma modalidade.

[0073] A Figura 43 ilustra um gráfico de variação de luminância exemplificadora para diferentes superfícies anguladas do mesmo objeto em um ambiente externo.

DESCRIÇÃO DETALHADA

[0074] Uma modalidade da presente invenção fornece um sistema e método para a captura e processamento de imagens hiperespectrais de alta qualidade em um ambiente severo.

[0075] Voltando-se inicialmente para a Figura 1, é ilustrado esquematicamente o imageador hiperespectral 1 de uma modalidade preferencial que é giratoriamente montada em um tripé 2, de modo que durante a rotação, o sistema de lentes 3 pode imagear a parte 4 de um ambiente enquanto o mesmo sofre uma rotação controlada. O imageador hiperespectral captura assim uma imagem de linha vertical que é mantida por meio de rotação horizontal.

[0076] Adicionalmente, a modalidade preferencial interage com um sistema de Detecção e Alcance de Luz Independente (LIDAR) 100 tal como um scanner a laser RIEGL LIDAR, para capturar dados de faixa, um rastreador de GPS 101 para determinação de posição precisa, e uma unidade de gerenciamento de inércia (IMU) 102 para uma mais determinação precisa de posição.

[0077] Voltando-se agora para a Figura 2, é ilustrado o treinamento de óptica de imageamento do imageador hiperespectral 1 em mais detalhes. Inicialmente, a entrada de unidade escaneadora de linha óptica é condicionada por lente de imageamento de entrada 10. Subsequentemente, o controle de passagem 11 modula a intensidade de sinal passada através do treinamento óptico. Subsequentemente, óptica de dispersão 12 atua para dispersar o sinal em componentes seletivos de comprimento de onda. A ótica de colimação 13 atua para colimar o feixe dispersado antes de o mesmo ser imageado por arranjo de imageamento 14. O arranjo de imageamento 14 atua para capturar repetidamente o sinal de comprimento de onda dispersado, que é armazenado em armazenamento temporário de quadros 15, para processamento e análise subsequente. Exemplos da unidade de imageamento podem incluir o um imageador de escaneamento de linha disponível junto à Specim, de Oulu, Finlândia, modelo Aisa FENIX.

[0078] Embora a disposição da Figura 1 ilustre esquematicamente o processamento de treinamento óptico exigido para a captura de imagens hiperespectrais, a operação do equipamento de imageamento hiperespectral em um ambiente severo chama por características exclusivas para garantir operação continuada, substancialmente automatizada.

[0079] Voltando-se agora para a Figura 3, é ilustrada uma vista em perspectiva lateral do imageador hiperespectral 1. O imageador 1 é montado em uma base de invólucro 16 mediante o qual a qual o mesmo gira, e é formado de uma unidade de base de sensor 20 e invólucro superior 21. Um painel de acesso frontal 22 inclui duas passagens para as lentes de sensor 24. O invólucro superior 21 inclui um forro de isolamento de poliestireno, que fornece isolamento térmico, e é resfriado por uma unidade resfriadora elétrica térmica 25, que inclui ventilador de exaustão 27 e segunda carenagem de ventilador externa 26 para ar de entrada filtrado. Uma porta dissecante 28 é também fornecida. Um controle de exibição externo 29 é também fornecido para controle geral de imageador 1.

[0080] Voltando-se agora para a Figura 4, é mostrada uma vista traseira em perspectiva lateral do imageador 1. Nessa disposição, pode-se observar que a base 16 inclui uma bucha de entrada de cabo 30 para o ingresso e egresso de cabos. O invólucro de fundo 31 é giratoriamente montada à base 16. O invólucro de topo também inclui um painel de acesso traseiro 32. A unidade resfriadora termoelétrica 25 inclui uma série de ventiladores 33 para mover o ar através das dissipadores de calor das unidades resfriadoras elétricas térmicas.

[0081] Voltando-se agora para a Figura 5, é ilustrada uma vista em perspectiva explodida do imageador 1 que ilustra as porções internas do mesmo.

[0082] Portanto, a unidade dissecante 28 é fornecida para o controle de umidade interna e pode incluir cristais de absorção. O invólucro superior 21 encerra uma unidade de imageamento hiperespectral 40, que pode compreender um imageador de escaneamento de linha disponível junto à Specim, de Oulu, Finlândia, modelo Aisa FENIX. A unidade de imageamento 40 é montada em uma base 42. A unidade de imageamento se projeta através do painel de acesso frontal 22 para imagear um cenário. O painel 22 pode incluir adicionalmente uma série de placas de gaxeta 23 para isolar o imageador do ambiente externo. A base 42 é, por sua vez, montado em uma unidade de rotação 43, que controla a rotação do imageador. A unidade de rotação é montada no disco 44, que é, por sua vez, afixado à base 16 através da passagem 46.

[0083] A Figura 6 ilustra uma vista em perspectiva de topo do conjunto de estágio giratório 43. A montagem inclui um estágio giratório 51, que gira como resultado de uma corrente que puxa o estágio giratório. A corrente de cabos 52 gira o estágio e fornece afrouxamento de cabo para gerenciar o movimento de cabo e evitar ruptura de cabo durante a rotação.

[0084] A unidade de imageador hiperespectral 1 fornece a proteção da unidade de imageamento 40 de elementos ambientais e também fornece um ambiente de temperatura controlada. Isso protege a unidade de imageamento de partículas de pó e água, adicionalmente às mudanças de temperatura. A natureza encerrada da unidade de imageamento simplifica o processo de preparação para cada uso e evita danos físicos ao sensor. Além disso, a base giratória integrada e sistema de gerenciamento de cabo minimiza as rupturas de cabo.

[0085] A disposição da modalidade preferencial também fornece um sensor universal, que pode ser usado em múltiplas configurações. Por exemplo, o imageador também pode ser prontamente adaptado para um tripé, ambiente laboratorial, veículo em movimento ou outro ambiente severo ou perigoso tal como ambientes de farmácia ou mineração.

[0086] Conforme mostrado na Figura 5, a disposição montada é totalmente encerrada de modo a evitar o ingresso de pó, água ou insetos. O controle de temperatura geral é fornecido pelo uso de uma unidade resfriadora termoelétrica. A umidificação e condensação são controladas pelo uso do tubo de dissecante 28. As superfícies externas do imageador podem ser pintadas com uma tinta de alta refletividade em superfícies externas e uma espuma de isolamento interno usado para isolar a porção interna do imageador da luz do sol direta, melhorando ainda mais, desse modo, o controle de temperatura.

[0087] A Figura 7 ilustra o controle elétrico da temperatura ambiente. Um controlador termoelétrico 71 toma entradas de sensores de temperatura interna 72, 73 e sensores de temperatura externa 74 para ativar a unidade resfriadora termoelétrica 25 em demanda. A HMI-PLC 29 monitora a operação do ambiente que usa sensor de temperatura e umidade 72. Entradas incluem entrada de Ethernet externa 76 e entradas de potência 77. Entradas de potência 77 vão para um bloco terminal 75, que fornece distribuição de potência aos elementos do imageador. O micro HMI - PLC 29 exibe os pontos de definição para o controlador termoelétrico 71, que controla a unidade resfriadora termoelétrica 25. Dependendo do tamanho dos sensores, os sensores inteiros e computador de processamento de imagem podem ser montados dentro dos invólucros 21 e 31 (Figura 5), que fornece proteção total e fiação simplificada. A unidade resfriadora termoelétrica 25 pode trabalhar como um resfriador ou um aquecedor.

Captura e Processamento de Imagem

[0088] Conforme discutido em referência à Figura 1, o imageador hiperespectral atua para capturar o conjunto de imagens de um cenário. A imagem pode ser armazenada para processamento futuro ou processada em placa por hardware de DSP integrada ou similares.

[0089] O conjunto de imagens capturadas inclui, para cada pixel em uma tira atual 4 localizada na vista hiperespectral, uma série de valores de intensidade de comprimento de onda. A imagem resultante pode ser virtualizada como um armazenamento temporário de quadro que tem uma ‘profundidade’ em comprimento de onda. Voltando-se à Figura 8, é ilustrada uma ilustração esquemática, em que o armazenamento temporário de quadro 80 inclui um comprimento de coordenadas x1 a xn, uma altura de coordenadas y1 a yn e uma profundidade de comprimento de onda Ài a Àn.

Correção de Exposição

[0090] Um tecido inicial com a ‘imagem’ capturada é o tecido de correção de exposição. A correção de exposição de RGB tradicional é conhecida. Por exemplo, uma discussão extensiva é fornecida no capítulo 12 de Giuseppe Messina, Sebastiano Battiato, e Alfio Castorina, Single-Sensor Imaging Methods and Applications for Digital Cameras, Editado por Rastislav Lukac, CRC Press 2008, Páginas 323 a 349, Print ISBN: 978-1-4200-5452-1.

[0091] Em referência à Figura 8, em termos gerais, a “imagem” 80 dentro do armazenamento temporário de quadro pode ter um nível de brilho (Bpre), conforme comparado a um nível desejado de brilho (Bopt). O "valor de exposição" da imagem, (EVpre, que é uma combinação do F-Stop e tempo de exposição usado para criar a imagem) pode ser ajustado pelo (registro em log da) diferença entre os dois níveis de brilho. Desse modo, sobre múltiplas iterações, o controle de exposição forma um ciclo de retorno de controlador integral, alcançando eventual ou rapidamente estado imediato com o valor de exposição EV que alcança o nível desejado de brilho.

[0092] No processamento da imagem capturada, não há necessidade de variar dessa prática, mas há muita flexibilidade em como calcular precisamente o nível de brilho de uma imagem. Tipicamente, uma imagem irá conter muitas características anteriores que não são interessantes ao usuário. Portanto, câmeras de RGB digitais fornecem frequentemente diferentes opções para selecionar a região de interesse, mascarando-se as características desinteressantes, e/ou por média ponderada.

[0093] Para uma imagem hiperespectral, somente determinadas bandas de comprimento de onda podem ser de significância. Portanto, parte do espectro pode ser sobre-exposta se a mesma significa que a parte interessante ou desejada do espectro tem uma melhor qualidade de sinal.

[0094] Em consideração de um painel de calibração branca, pode-se verificar que uma exposição pode ser otimizada para gerar a melhor qualidade de sinal possível em alguma característica de interesse. No entanto, para aquelas condições, um único painel de calibração pode ser sobre-exposto ou subexposto. Pode-se otimizar a exposição para o painel de calibração, mas então a qualidade de sinal na característica de interesse pode sofrer.

[0095] Uma solução geral pode ser incluir no cenário uma série de painéis de calibração de diferentes tonalidades de cinza. Isso permitiria ao usuário direcionar a otimização de exposição à característica de interesse. A calibração branca subsequente teria então capacidade de escolher automaticamente o painel de calibração com a melhor qualidade de sinal.

[0096] A calibração branca é ortogonal à autoexposição, mas é mencionado aqui ilustrar essa flexibilidade ao escolher a região de interesse pode ser importante.

Processamento de imagem - Nível de brilho

[0097] Câmeras de RGB digitais pode calcular o brilho como uma média sobre a região de interesse. Para imagens de alto contraste, isso permite frequentemente algum grau de sobre-exposição dos destaques enquanto traz alguns detalhes nas sombras que seriam de outro modo perdidos no ruído de solo.

[0098] No entanto, para uma imagem hiperespectral, um usuário pode desejar maior controle sobre exatamente o que é sobre-exposto excluindo-se explicitamente algumas regiões de destaque do cálculo de brilho. Ou o pode fazer sentido que um usuário especifique que é aceitável que, por exemplo, 1% dos pixels sejam sobre- expostos. Nesse caso, é possível olhar os voxels mais brilhantes na região/espectro de interesse em vez do brilho médio (Bopt = brilho de voxel mais brilhante).

[0099] O problema de escolher o voxel mais brilhante como representativo do brilho da imagem é que o mesmo não indica de modo algum o grau de sobre- exposição. Portanto, sem tratamento especial, o controle de retorno descrito acima somente tem capacidade de funcionar a partir de um estado inicialmente subexposto.

[00100] Uma solução simples é calcular uma estatística de "saturação", que é a razão de o número de canais espectrais que estão no limite de sinal superior, ao número total de canais no espectro. Se a estatística de saturação estiver acima de um (pequeno) limiar, a exposição pode ser dividida por 2.

[00101] Outra solução é manter um espectro de referência. Para quaisquer espectros constatados como mesmo ligeiramente saturados, as porções saturadas serão substituídas por um múltiplo da seção correspondente do espectro de referência. O fator de multiplicação pode ser determinado comparando-se as porções não saturadas da referência e espectro saturado. Desse modo, uma estimativa aproximada do que o sinal de pico pode ser se não afetado pela sobre-exposição pode ser feita, assim, em muitos casos, permitindo que o controle de retorno opere. Se a saturação for muito alta para permitir inclusive que esse método funcione (isto é, somente uma pequena porção do espectro não é sobre-exposta), então, é possível reverter para a técnica acima de dividir a exposição por 2.

[00102] As Figuras 9 a 14 ilustram gráficos dos resultados dessa abordagem em um conjunto de resultados simulados. Na Figura 9, a auto exposição foi definida de modo coerente para vários quadros em 14 mseg. As imagens resultantes (mostradas na Figura 12) mostraram que a saturação iniciou em cerca de 14 mseg e, em 19mseg, o espectro foi quase totalmente sobre-exposto. A Figura 10 ilustra resultados simulados em que a luz ambiente é multiplicada por um fator de dez com a Figura 13 que mostra a exposição correspondente. Os resultados mostram o uso de brilho máximo como o ponto definido de retorno e, com um espectro de referência usado para estimar o brilho máximo de imagens sobre-expostas. A região de interesse foi direcionada a um painel de calibração iluminado artificialmente (Bopt = brilho médio de voxels). Para comparação, as Figuras 15 a 20 ilustram brilho médio com um espectro de referência e direcionados à mesma região de interesse na Figura 9 à Figura 14. A Figura 21 à Figura 26 ilustram o brilho médio sem um espectro de referência. Em cada caso, a mesma região de interesse foi analisada.

[00103] Constatou-se que, sem o espectro de referência, convergência é lenta para imagens sobre-expostas. Com o espectro de referência, a convergência é muito mais rápida. Conforme esperado, a solução de estado imediato tem alguns pixels saturados em até 50%. Isso pode ser reduzido reduzindo-se o brilho-alvo.

[00104] Com base em um conjunto de exposições com luz ambiente constante, a metodologia descrita encontra rapidamente definições de exposição muito satisfatórias com iterações mínimas. O mesmo também opera sobre uma faixa de condições de luz ambiente.

Análise de Imagem - Processamento de invariável de luminosidade - Calibração

[00105] Sistemas de imageamento, tais como imageadores hiperespectrais, também consistem em módulos de percepção que são robustos para iluminação não uniforme no cenário imageado. Frequentemente, a alta faixa dinâmica presente no ambiente externo faz com que a análise de algoritmos de imagem seja altamente sensível a pequenas mudanças de iluminação. O método das presentes modalidades utiliza sensores comumente constatados em plataformas de imageamento de robótica tais como LIDARs, câmeras (hiperespectrais ou RGB), receptores de GPS e Unidades de Medição Inercial (IMUs).

[00106] Um modelo é usado para estimar a iluminação do sol e do céu no cenário, cuja geometria é determinada por uma “nuvem de ponto 3D”. Através do uso de um processo de reflectometria inversa, uma conversão dos valores de intensidade de pixel em uma forma de refletância correspondente é assumida, com a iluminação e geometria sendo independentes e uma característica do material. O processo de reflectometria inversa fornece uma calibração por pixel do cenário e fornece segmentação e classificação aprimoradas. Nas modalidades, o mesmo é usado para fornecer uma calibração por pixel de imagens hiperespectrais para propósitos de capitação remota, especificamente, aqueles usados em conjunto com as câmeras hiperespectrais.

[00107] Plataformas de captação de robótica e remota frequentemente capturam uma ampla faixa de informações através dos múltiplos sensores integrados tais como LIDARs 100, receptores de GPS 101, IMUs e câmeras 1 (incluindo hiperespectrais, RGB e RGB-D). No ambiente externo, imagens tendem a conter uma alta faixa dinâmica devido à combinação do sol e do céu como fontes de iluminação, e a geometria de cenário que pode induzir iluminação não uniforme e indireta do conjunto de imagens capturadas hiperespectrais. O mesmo pode ter um impacto prejudicial em processos algorítmicos subsequentes que variam de detecção de canto/borda de baixo nível, para segmentação de objeto de alto nível. No campo de captação remota, o sombreamento no cenário significa métodos de classificação de material pode não operar de modo confiável. Portanto, é desejável gerar uma representação independente de iluminação do cenário em uma etapa conhecida como Calibração.

[00108] Na presente modalidade, um sistema de calibração por pixel é implantado que converte medições de radiância capturadas pelas câmeras hiperespectrais em uma forma de refletância que é característica do material no cenário. O sistema combina os dados geométricos de um scanner a laser 100 com a imagem hiperespectral capturada de um sistema de imageamento hiperespectral para formar uma nuvem de ponto colorido. A posição e orientação dos sensores são usados para aproximar a iluminação incidente no cenário através do uso de um modelo de céu. Através do uso de uma abordagem baseada em radiosidade inversa, uma aproximação aos espectros de refletância é obtida que pode ser usada para algoritmos de classificação.

[00109] A Figura 41 ilustra uma forma de processamento de treinamento adequada para uso nas presentes modalidades. Nessa disposição 410, a geometria do cenário é capturada 411 utilizando um dispositivo de LIDAR (100 da Figura 1). Uma imagem hiperespectral é também capturada 412 com o uso de um imageador hiperespectral 1 da Figura 1, e o processamento de luminosidade supracitado aplicado. As informações de posição e orientação de GPS são inseridas 413 a partir de um imageador de GPS 101 (Figura 1). As informações são utilizadas para criar uma calibração por Pixel 414 para formar uma nuvem de ponto colorido 414 que é usada para calibração e classificação 415.

[00110] O processo de calibração por pixel 414 tem várias vantagens. Técnicas anteriores de calibração radiométrica de imagens hiperespectrais normalmente envolvem colocar painéis de calibração de refletância conhecida no cenário e o uso de medições fora dos mesmos para normalizar a imagem inteira. Isso é um processo intensivo manual e de trabalho e está correto somente na posição do painel. Frequentemente, o imageamento pode ocorrer em grandes ambientes hostis, tais como sítios de minério, em que a iluminação de cenário pode mudar drasticamente sobre o cenário imageado. À medida que a geometria de cenário muda e induz a oclusões, a iluminação varia e então o processo de normalização pode conter erros significativos. A iluminação pode ser não uniforme através do cenário com dependências na localização e orientação assim como a fonte de luz. Isso é talvez o mais óbvio em casos em que sombras são lançadas em regiões que são, portanto, ocluídas de luz solar, mas iluminados pela luz do céu geral. Isso muda em fonte de iluminação, o que pode causar uma grande mudança de refletância espectral.

[00111] De modo a comparar as observações capturadas contra bibliotecas espectrais, os dados capturados são convertidos de modo ideal em dados de refletância. Todos os pixels podem ser então normalizados com o uso dessa medição de iluminação.

[00112] Nessa modalidade, a iluminação de sol, céu e indireta em cada pixel é estimada e considerada durante o processo de normalização. Ademais, não há exigência que um painel de calibração seja colocado no cenário, permitindo que o processo inteiro seja automatizado.

[00113] Técnicas de captação remotas tais como imageamento hiperespectral fornecem um método não invasivo de reunião de informações acerca do ambiente circundante. Em aplicações de mineração, esses métodos são adequados para identificar e classificar minérios minerais na face de mina de modo a aumentar a eficiência de escavação. Conforme discutido, a câmera hiperespectral 1 é girada em torno de seu eixo geométrico de modo a gerar um cubo de dados tridimensional de X, Y e comprimento de onda.

[00114] Antes da análise desse cubo de dados, uma etapa de processamento de luminância 274 (Figura 27) é realizado para refinar a imagem dentro do cubo de dados armazenado dentro do armazenamento temporário de quadros 272, antes da análise de imageamento 273 que é assumido.

[00115] O uso de LIDAR e dados de sensor hiperespectral para compensação atmosférica foi investigado, sistemas anteriores procuraram compensar a iluminação de luz do céu calculando-se a porcentagem do hemisfério de céu azul visível a partir de uma localização específica e com o uso de algoritmo de modelagem atmosférica MODTRAN para gerar espectros de iluminação. Abordagens anteriores falharam em levar em consideração iluminação indireta.

[00116] É desejável determinar a refletância de qualquer imagem em um ambiente natural visto que isso é característico do material e independente das condições de iluminação. É adicionalmente desejável determinar a refletância de maneira automatizada. As modalidades fornecem um método de calibração radiométrica para a conversão de radiância capturada em refletância. Essas modalidades se baseiam primeiramente em medições de processamento de radiosidade inversa para determinar a iluminação.

[00117] Voltando-se agora para a Figura 42, é ilustrado as etapas no cálculo de refletância automatizado da modalidade 420. Uma etapa inicial envolve capturar o conjunto de imagens hiperespectrais e de LIDAR 421. O conjunto de imagens de LIDAR é então usado para decompor o cenário em uma série de segmentações 422. Subsequentemente, uma computação de fator de forma 423 é realizada para determinar uma medida de invariável de luminosidade.

Radiosidade

[00118] Renderização é o processo de gerar uma imagem de um ponto de vista específico, dada a estrutura, propriedades de material e condições de iluminação do cenário. Embora os métodos de renderização de iluminação direta normalmente leve em consideração somente a luz diretamente da fonte, métodos de iluminação global incluem saltos secundários ao gerar imagens. Isso permite que métodos de iluminação global, tais como radiosidade, traçado de raio e mapeamento de fótons para desenvolver imagens cada vez mais realistas.

[00119] A renderização de radiosidade é um método de iluminação global que utiliza uma representação de malha do cenário e frequentemente um pressuposto de difusibilidade para modelar a influência entre diferentes regiões. Essa técnica consiste em quatro etapas principais e é derivada da equação de renderização:

[00120] em que a radiância L na localização x na direção da câmera θ, é calculada adicionando-se a radiância emitida Le e integrar a radiância incidente com a função de distribuição de refletância bidirecional fr .

Decomposição de Cenário (422 da Figura 42)

[00121] A primeira etapa de renderização de radiosidade é a decomposição do cenário em pequenas segmentações ou regiões. Isso pode ser feito de várias maneiras incluindo a subdivisão uniforme ou adaptativa de objetos. A subdivisão adaptativa tem a vantagem de que a mesma pode ser usada para reduzir o sombreamento de artefatos que podem aparecer.

[00122] Através do pressuposto de difusibilidade para todas as segmentações no cenário, a função de distribuição de refletância bidirecional se torna independente das direções de luz incidentes e de saída e pode ser simplificado com o uso de um modelo de sombreamento Lambertiano:

[00123] Em que a refletância p varia de 0 a 1, e a divisão por π é usada para normalizar a função. A modelagem difusa de cada segmentação também significa que a radiância de saída é também independente de direção, enquanto a radiosidade B(x) é proporcional à radiância por um fator de π. Isso permite que a equação de renderização seja reduzida para:

[00124] O domínio da integral é mudado de estar sobre o hemisfério, a um integral sobre todas as superfícies S no cenário.

[00125] em que V(x, y) é a função de visibilidade binária entre o ponto x na segmentação i e o ponto y na segmentação j.

[00126] O pressuposto adicional de segmentações homogêneas permite que a equação acima seja convertida em uma forma discretizada, em que o integral duplo é incorporado em um valor conhecido como o Fator de Forma Fij:

Computação de Fator de Forma (423 da Figura 42).

[00127] O cálculo de fator de forma entre segmentações é um importante e parte computacionalmente cara do algoritmo de renderização de radiosidade. Em essência, o fator de forma descreve a influência de que todas as outras segmentações têm entre si e vários métodos foram previstos em cálculos de radiosidade para computar esses valores. Os mesmos incluem os métodos de hemisfério e hemicubo, amostragem de área para área e a aproximação de linha local.

[00128] O método de aproximação de linha local é uma técnica simples para estimar os fatores de forma. O mesmo consiste em escolher aleatoriamente um ponto na segmentação i, e escolher uma direção de uma distribuição de cosseno para lançar um raio de luz. Repetindo-se esse processo Ni vezes, fatores de forma podem ser aproximados contando-se quantas vezes cada segmentação foi atingida Nij:

[00129] A formulação de radiosidade descrita acima é usada na indústria gráfica de computador para gerar imagens dado os modelos de cenário e condições de luz. Um processo de radiosidade inversa, por outro lado, utiliza a imagem e tenta inferir qualquer um dentre a geometria, luz ou propriedades de material do cenário.

[00130] Essa é a parte principal do sistema de calibração, e é reformulada como um problema de radiosidade inversa que usa a imagem, geometria e iluminação para estimar a refletância.

Implantação Prática:

[00131] De modo a determinar as medições de radiância do cenário, a câmera hiperespectral 1 é usada. Essa câmera é um scanner de linha única que gira em torno de seu eixo geométrico para formar o cubo de imagem tridimensional. O pós- processamento inicial corrige qualquer mancha e corrente escura, antes de o uso de dados de calibração radiométrica ser usado para converter os números digitais para unidades de radiância.

[00132] De modo a determinar a geometria de cenário, o escaneamento de LIDAR a laser de alta resolução do cenário é capturado e processado para produzir uma nuvem de ponto denso. Isso é registrado com a câmera hiperespectral que usa um método de informações mútuas (Taylor, Z., Nieto, J.: A Mutual Information Approach to Automatic Calibration of Camera and Lidar in Natural Environments. Em: ACRA. (2012) 3-5) que gera uma nuvem de ponto em que cada ponto é associado com um espectro capturado. A nuvem de ponto pode ser então mesclada com o uso de triangulação Delaunay e a segmentação radiância L é calculado com base na média dos pontos envolvidos.

[00133] O céu pode ser modelado como um hemisfério centralizado na posição do scanner a laser e consiste em aproximadamente 200 triângulos tecidos entre si. O sol é explicitamente modelado como um disco com diâmetro angular de 1 grau. Presume- se que cada segmentação de céu não tenha refletância, enquanto cada segmentação de não céu tenha uma refletância desconhecida e nenhuma radiância emitida.

Iluminação

[00134] Nesse exemplo, o imageamento hiperespectral foi conduzido em um ambiente externo e somente iluminação devido à luz solar e luz do céu (a iluminação indireta é fatorada no cálculo de fator de forma) foi levada em consideração.

[00135] Portanto, as modalidades usam um modelo de céu desenvolvido pela Hosek e Wilkie, que fornece estimativas de radiância no espectro visível em cada azimute e ângulo de elevação. A vantagem de usar essa abordagem baseada em modelo é que o sistema de calibração não somente não contém hardware adicional, mas outros modelos de céu podem ser facilmente integrados na estimativa de iluminação.

[00136] Os sensores receptores de IMU e GPS são usados para localizar e orientar o cenário, e são também usados para calcular a posição do sol. A posição pode ser calculada de acordo com algoritmos conhecidos, por exemplo, o algoritmo desenvolvido em Reda. Isso gera os ângulos de azimute e zênite do disco solar com base na localização e horário e essas informações são alimentadas no modelo de céu para desenvolver uma distribuição de espectros de céu.

Estimativa de Refletância

[00137] De modo a estimar as propriedades de material no cenário, a equação acima para a estimativa de fator de forma é redisposta para resolver a refletância:

[00138] Essa estimativa é possível devido ao fato de que as medições de radiância da câmera capturam a solução de estado imediato ao problema de luz, enquanto os fatores de forma consideram fontes de iluminação indireta. Estimar os fatores de forma com o uso de uma abordagem de linha local significa que as soluções de refletância podem ser produzidas imediatamente e à medida que mais raios de luz são gerados, a solução irá iterar para seu valor final. Essa estimativa de refletância precisa ser executada para cada comprimento de onda À para o qual a calibração ocorre, embora o fator de forma permaneça igual.

[00139] Em uma execução exemplificadora da modalidade, conjuntos de dados foram derivados para um sistema de calibração por pixel a partir de um ambiente urbano que consiste em grama, prédios e estradas. Imagens hiperespectrais foram tomadas com o uso de uma câmera hiperespectral (SPECIM VNIR) que foi sensitiva entre 400nm e 1.007nm. Os dados de geometria foram capturados com o uso de um scanner a laser RIEGL LIDAR de alta resolução. O corregistro da geometria e dados hiperespectrais foi registrado para formar uma nuvem de ponto colorido com o uso das técnicas de informações mútuas de Taylor e Nieto.

[00140] De modo a induzir a iluminação indireta com os materiais conhecidos no cenário, peças coloridas de papelão são colocadas em aproximadamente 90° entre si. A configuração consiste em um papelão amarelo de alta refletância que é colocado plano no solo e exposto à luz solar e iluminação de luz do céu. Uma peça de papelão de luz cinza é colocada verticalmente e é também exposta à luz solar e luz do céu, assim como os raios refletidos da peça amarela. Isso faz com que as diferentes regiões mudem de cor dependendo da distância e do ângulo. Assinaturas espectrais exemplificadoras são mostradas na Figura 43.

[00141] Em resumo, essa modalidade fornece um sistema de calibração por pixel para câmeras hiperespectrais. Métodos de técnica anterior usam medições de painel de iluminação de modo a calibrar um cenário, enquanto o método da presente modalidade utiliza as informações de vários sensores comuns de modo a levar em consideração a geometria e as diferentes formas de iluminação presentes no ambiente externo. Isso permite que descritores sejam criados, os quais são característicos do material no cenário, o que é importante ao aplicar algoritmos de alto nível tais como segmentação e classificação de imagem.

[00142] Refinamentos adicionais podem incluir inicializar os parâmetros do modelo de céu com o uso de uma medição da radiância de downwelling do domo do céu e também estimar o tempo de integração exigido necessário para a câmera hiperespectral de modo que a imagem não sature e tenha faixa dinâmica máxima. Embora a modalidade acima seja discutida em referência à radiosidade, será evidente que outras formas de renderização inversa podem ser utilizadas. Por exemplo, traçado de raio, que é normalmente computacionalmente mais caro, também pode ser utilizado de maneira com renderização inversa para determinar a luminosidade de superfície.

Análise de Imagem

[00143] Voltando-se para a Figura 27, é ilustrado a unidade de processamento de imagem 15 da Figura 2 em mais detalhes. A imagem capturada 270 é lida 271 e submetida a ciclo de retorno de processamento de luminância conforme supracitado 274. A imagem lida 271 é também armazenada no armazenamento temporário de quadro 272 no formato retratado na Figura 8. Uma vez capturados, os dados hiperespectrais podem ser analisados 273 para obter informações quantitativas substituídas para muitas aplicações.

[00144] Muitas abordagens à classificação e análise de dados hiperespectrais foram desenvolvidas (e.g. Plaza et al. 2009). Muitas abordagens para análise espectral são baseadas em compatibilidade de curva espectral às bibliotecas de minerais conhecidos (e.g. Clark et al. 2003; Kruse et al. 1993). Métricas angulares como o mapeador espectral de ângulo (SAM) são projetados para remover variações no brilho espectral enquanto preserva informações acerca do formato da curva espectral (Hecker et al. 2008). O problema principal com a abordagem conforme originalmente desenvolvido é que a mesma se baseia em um único espectro para representar um formato de curva espectral ‘definitivo’ de cada material ou mineral que é mapeado. Um limiar precisa ser definido, o que especifica a delimitação (frequentemente expressa em radianos) abaixo ou acima que um espectro é respectivamente considerado como um correspondente ou não. Nesse contexto, um SAM não pode considerar variabilidade entre os espectros que aparecem de fatores tais como o tamanho de grão de minerais, sua abundância ou cristalinidade (Clark and Roush 1984; Cudahy and Ramanaidou 1997).

[00145] Alguns trabalhos tentaram incorporar variabilidade em análises com o uso de SAM correspondendo-se cada espectro de pixel na imagem a uma biblioteca espectral muito grande com inúmeros espectros que representam cada classe (e.g. Murphy et al. 2012). Outros usaram abordagens de aprendizado por máquina em que inúmeros espectros em cada classe são usados para treinar um classificador com o uso de diferentes kernels, incluindo métrica baseada angular (por exemplo SAM) em seu núcleo (e.g. Schneider et al. in press). Qualquer classificador pode operar dentro de um dentre dois paradigmas - uma abordagem um versus todos ou uma abordagem de múltiplas classes. A primeira considera somente a classe de interesse e considerou todas as outras classes à outra classe. As limitações a essa abordagem são que o classificador tem de ser executado inúmeras vezes, considerando cada classe por sua vez. Essa abordagem não pode considerar as relações entre as diferentes classes como um conjunto coerente de classes que constituem os dados. Abordagens de múltiplas classes representam um modo mais compreensivo de classificar os dados em uma única etapa unificada. As relações entre as diferentes classes são consideradas ao designar a classe ideal a cada espectro de pixel.

[00146] Em uma primeira modalidade, uma função de covariância não estacionária multivariada é utilizada que trabalha de modo eficiente em espaços dimensionais muito altos e é invariante às condições variadas de iluminação. Nenhuma função de covariância estacionária foi usada para essa tarefa de modelagem devido ao fato de que a mesma não é, com exceção a casos triviais de uma função de covariância constante, invariante às condições de iluminação. A função de covariância não estacionária é testada dentro de uma estrutura de múltiplas classes totalmente autônoma com base em Processos Gaussianos (GPs). Essa abordagem à classificação é denominada como Processos Gaussianos de múltiplas tarefas (MTGP).

[00147] Inicialmente, de modo a determinar os parâmetros do processo de MTGP, o sistema foi primeiro treinado. O MTGP foi aplicado ao conjunto de imagens hiperespectrais (1.000 a 2.500 nm) de amostras de rocha de ambientes exemplificadores que foram adquiridos no laboratório. Para fazer isso, espectros de refletância de alta resolução adquiridos por um espectrômetro de campo foram usados para treinar o MTGP. Muitos estudos com o uso de métodos de aprendizado de máquina usam dados do mesmo sensor para treinamento e classificação frequentemente com validação cruzada (Jiang et al. 2007; Kohram and Sap 2008). Para fornecer um teste mais rigoroso de MTGP, dados adquiridos a partir de diferentes sensores foram usados para esses dois estágios diferentes de modo distinto de classificação. O uso de dados adquiridos no laboratório permitiu que rótulos fossem anexados às imagens de amostras de rocha com um grande grau de certeza. Devido ao fato de que dados foram adquiridos com luz artificial sem os efeitos de dispersão e absorção impostos por uma atmosfera intervencionista, esses dados representam a melhor oportunidade para que um processo de MTGP seja bem-sucedido. O MTGP foi testado com o uso de dados a partir da curva espectral inteira e em um subconjunto espectral de dados em que bandas, que são conhecidas como afetadas pelos comprimentos atmosféricos, foram removidas.

[00148] Em segundo, o MTGP é usado para classificar o conjunto de imagens hiperespectrais adquiridos a partir da plataforma baseada em campo de uma parede de rocha vertical. Para fazer isso, espectros adquiridos sob luz artificial no laboratório foram usados para classificar o conjunto de imagens adquiridas sob luz solar natural. Isso apresenta uma tarefa mais difícil do que classificar os dados adquiridos no laboratório. A geometria complexa e a natureza multifacetada da face da rocha através de uma multiplicidade de escalas espaciais causaram grandes variações na quantidade de luz incidente e refletida. Consequentemente, muitas seções da parede da rocha podem ser sombreadas do feixe solar direto e estão, portanto, em sombras. Essa interação complexa entre a geometria da parede de mina e a geometria de iluminação causa grandes mudanças de refletância, que eram independentes de mineralogia. Ademais, a absorção por vapor de água atmosférica e gases evitou que algumas seções do espectro fossem usadas na classificação. Outras seções do espectro em que a absorção atmosférica estava presente, mas a um menor grau são frequentemente ruidosas. Esses efeitos tornam a classificação de uma parede de mina uma tarefa mais difícil, no geral, para o classificador de MTGP do que a classificação dos dados laboratoriais. Resultados da classificação do laboratório e conjunto de imagens de campo foram comparados diretamente com aqueles obtidos com o uso de um classificador de SAM clássico.

[00149] Estrutura Matemática do Processo Gaussiano - O processos gaussianos de múltiplas tarefas

[00150] Considere o problema de aprendizado supervisionado de tarefas M de estimativa y para um ponto de consulta x* dado um conjunto X de entradas

e saídas ruidosas correspondents

, em que xii e yii correspondem à iésima entrada e a saída para a tarefa i respectivamente, e Ni é o número de exemplos de treinamento para a tarefa i . A abordagem de GPs para esse problema é colocar um Gaussiano antes sobre as funções latentes fi que mapeiam entradas às saídas. Presumindo meio zero para as saídas, considere uma matriz de covariância sobre todas as funções latentes de modo a explorar as dependências entre diferentes tarefas

[00151] em que Klk com l,k = 1: M definem a matriz de bloco positiva semidefinitiva (PSD) K.

[00152] Inferência nos GPs de múltiplas tarefas pode ser computada com o uso das equações a seguir para o meio preditivo e variância

[00153] em que K y K +a I é a matriz de covariância para os alvos y e

[00154] O aprendizado pode ser realizado maximizando-se a probabilidade marginal de log:

[00155] em que θ é um conjunto de hiperparâmetros.

[00156] Inferência nos GPs de múltiplas tarefas pode ser computada com o uso das equações a seguir para o meio preditivo e variância

[00157] em que

é a matriz de covariância para os alvos y e

[00158] De modo similar, o aprendizado pode ser realizado maximizando-se a probabilidade marginal de log

[00159] em que Θ é um conjunto de hiperparâmetros.

[00160] invariável de luminosidade e Não estacionário

[00161] A maioria das funções de covariância populares (Esférica, Gaussiana, Cúbica, Exponencial, etc.) usadas em modelagem geológica são estacionárias. Essas funções se provaram como muito eficazes em fenômenos especiais de modelagem. No entanto, devido à propriedade de invariável de luminosidade exigida para modelagem de dados hiperespectrais, uma função de covariância não estacionária tem de ser empregada visto que funções de covariância estacionária constantes não realizam a função de invariável de luminosidade.

[00162] Funções de covariância estacionária não constantes não podem ser invariáveis de luminosidade. Para se uma função de covariância,

é tanto estacionária como invariável de luminosidade, as seguintes condições se mantêm:

[00163] Estacionaridade:

[00164] invariável de luminosidade:

[00165] Considere quatro pontos arbitrários,

conforme mostrado na Figura 28. Conduzindo-se a translação paralela dos vetores

, os mesmos podem ser posicionados de tal maneira que os pontos de partida desses vetores assim como seus pontos finais estejam situados no mesmo raio que sai do centro de coordenadas conforme demonstrado na Figura 29. A partir da condição estacionária, segue-se

Como

a partir da condição de invariável de luminosidade, segue-se

A combinação desses dois resultados induz a

o que significa que a função de covariância tem o mesmo valor de pares arbitrários de pontos e, portanto, é constante.

Uma Função de Covariância de OAD de Tarefa Única

[00166] Uma função de covariância dependente de ângulo de observação de (OAD) de tarefa única e a prova de sua semidefinição positiva é apresentada por Melkumyan e Nettleton (Melkumyan and Nettleton 2009). A função de covariância OAD de tarefa única tem a seguinte forma:

[00167] em que Q=ATA é uma matriz semidefinida positiva simétrica (PSD), A é a matriz de transformação linear não singular, x, x e xc são D vetores dimensionais. Quando Q é uma matriz unitária, a função de covariância de OAD depende somente do ângulo no qual os pontos x e x são observados a partir de um centro de observação xc. Quando ^ não é uma matriz unitária, a função de covariância de OAD pode ser considerada como dependente de um pseudoângulo entre os pontos x e x .

[00168] Essa função de covariância tem o seguintes hiperparâmetros: °0 e Φ escalares, D vetor dimensional xc e DXD matriz semidefinitiva positiva simétrica . O número total resultante dos hiperparâmetros escalares é igual a 2+D(D+3) / 2.Visto que o ângulo entre os vetores x e x depende não da diferença x-x , mas das localizações espaciais x e x , a função de covariância de OAD Eq. 8 é não estacionária.

[00169] A função de covariância de OAD Eq. 8 é baseada na seguinte função de transferência:

[00170] em que α(x,u;xc) representa o pseudoângulo entre D os pontos dimensionais x e u conforme observado a partir do D centro dimensional xc .

Função de covariância de OAD de Múltiplas Tarefas

[00171] Uma função de covariância de OAD de múltiplas tarefas pode ser construída. Embora Melkumyan e Ramos ( 2011) revele um OAD de múltiplas tarefas, o mesmo não se estendeu às funções não estacionárias. A presente modalidade estende o OAD ao caso de funções de covariância não estacionária:

[00172] Se h(x,u) for uma função de transferência e kii (x,x ) , i=1:M são funções de covariância não estacionária de tarefa única que podem ser escritas na seguinte forma:

[00173] Então, a função de covariância de tarefa M definida como

[00174] em que xi e xj pertence às tarefas i e j, respectivamente, é uma função de covariância não estacionária de múltiplas tarefas positiva semidefinida (PSD).

[00175] Com o uso dessa preposição, quando as funções de covariância kii (x,x ) podem ser gravadas como na Eq. 10, os termos de covariância cruzada podem ser calculados como na Eq. 11. O desafio principal na construção de uma função de covariância de OAD de múltiplas tarefas é agora reduzido para encontrar funções de transferência hi (x,u) e computar as integrais na Eq. 11. A função de covariância de OAD de tarefa única Eq. 8 pode ser obtida conduzindo-se a integração através da circunferência da esfera de unidade com o centro xc . Para construir a função de covariância de OAD de múltiplas tarefas, será necessário conduzir a integração analítica através do espaço dimensional RD inteiro D .

[00176] Inicialmente, é possível definir a origem do sistema de coordenada em xc e definir uma função de transferência:

[00177] em que ( , ) é conforme definido na Eq. 9. Uma diferença principal entre h(x,u;0) na Eq. 9 e h(x,u;0) na Eq. 12 é que h(x,u;0) tende rapidamente a zero quando

o que torna o mesmo integrável no espaço inteiro RD.

[00178] Combinar a Eq. 9 e a Eq. 12 induz à função de transferência a seguir para a i ésima tarefa

[00179] Os termos de autocovariância da função de covariância de tarefa M podem ser definidos como:

[00180] e os termos de covariância cruzada como

[00181] Devido à preposição discutida acima, essa é uma função de covariância de múltiplas tarefas de PSD. As Equações 14 e 15 podem ser analiticamente calculadas resultando nas expressões a seguir em que xc é introduzido por meio de um deslocamento do sistema de coordenada

[00182] em que

um número de tarefas.C Na Eq. 17 indica a determinante da matrizC .

[00183] No caso especial de Ci = Cj, Φi = Φj, a função de covariância de OAD de múltiplas tarefas recupera a função de covariância de OAD de tarefa única Eq. 8. Estudo experimental

[00184] A função de covariância acima foi utilizada em um estudo de campo. A área de estudo foi uma face de mina vertical em uma mina a céu aberto em Pilbara, Oeste da Austrália. A geologia da área é compreendida por Formação de Ferro em Bandas (BIF) Arcaica e Proteozoica tardia e xistos de argila(Morris 1980; Morris and Kneeshaw 2011). O xisto de Whaleback é uma unidade sedimentar espessa que compreende hematita, goethita, maghemita e sílica. Xistos negros ricos em vermiculita estavam também presentes. A face de rocha (mina) usada nesse estudo é dominada por xistos de argila (Xistos 1 a 4) e xisto de Whaleback (Xisto 5; Tabela 1).

[00185] A Tabela 1 abaixo mostra amostras de rocha usadas para classificar o conjunto de imagens hiperespectrais no laboratório (Experimento 1) e no campo (Experimento 2).

[00186] Construir um mapa das unidades de rocha que compreende a parede de mina foi difícil. Foi possível somente gastar uma pequena quantidade de tempo em grande proximidade para a face de rocha da mina devido ao risco de as rochas caírem. Um geologista com um conhecimento de trabalho detalhado do poço de mina forneceu informações quanto à identidade das diferentes unidades de rocha na parede de mina. Com o uso dessas informações, junto com as observações diretas, um mapa detalhado foi feito sobre as diferentes unidades geológicas na parede da rocha. O mapa é ilustrado na Figura 30.

[00187] Amostras de rocha: De modo a testar as características operacionais do método acima, dois experimentos foram conduzidos e amostras de rocha foram coletadas de uma mina. Para o primeiro experimento, foram selecionadas rochas que foram os tipos de rocha predominante na mina. A seleção de amostras individuais foi realizada com base em duas características físicas que incluem dureza e cor. Para o segundo experimento, um grupo separado de amostras foram adquiridos a partir das diferentes unidades geológicas que caracterizaram a parede da rocha depois que o conjunto de imagens hiperespectrais foi adquirido. Cada conjunto de amostras foi composto de entre 2 e 5 amostras de réplica, e foram adquiridas a partir das unidades geológicas identificadas no campo. Espectros extraídos do conjunto de imagens de laboratório hiperespectrais dessas amostras foram usados para treinar o MTGP e SAM.

[00188] A confirmação da identidade dos minerais dominantes na rocha foi feita por análise de difração quantitativa de raio X (XRD) (Tabela 1). As amostras foram moídas com anel com um padrão interno e micronizadas. Os padrões XRD foram medidos com o uso de um Difractômetro Bruker-AXS D8 Advance com radiação de cobalto. Fases cristalinas foram identificadas com o uso de um algoritmo de busca/compatibilidade (DIFFRAC.EVA 2.1; Bruker-AXS, Alemanha). Estruturas de cristal relevantes extraídas para refinamento foram obtidas a partir do Banco de Dados de estrutura de Cristal Inorgânico (ICSD 2012/1). As fases cristalinas foram determinadas em uma escala absoluta com o uso de refinamento de fase quantitativa Rietveld, com o uso do pacote de software Bruker-AXS TOPAS v4.2.

[00189] O método de MTGP foi aplicado ao conjunto de imagens hiperespectrais adquiridas no laboratório e no campo.

[00190] Conjunto de Imagens de Laboratório (Experimento 1): O conjunto de imagens de laboratório permitiu que o MTGP fosse testado em amostras de rocha de mineralogia conhecida sob condições controladas (Experimento 1). O conjunto de imagens foi adquirido sob uma fonte de luz artificial estável sem os efeitos de dispersão atmosférica e absorção. As amostras foram iluminadas de modo que nenhuma parte das amostras tenha sido sombreada. Desse modo, o conjunto de imagens de laboratório forneceu os dados de imagem de melhor qualidade possível para testar o método de MTGP. Cinco diferentes tipos de rochas coletadas da área local foram selecionados (Tabela 1). As amostras de Xisto (Xistos 1, 3 & 4) foram amostras homogêneas, isto é, uniforme em textura, cor e dureza. As amostras de minério eram compostas de camadas distintas de hematita ou goethita.

[00191] O MTGP foi treinado com o uso de espectros adquiridos a partir das amostras com o uso de um espectrômetro de campo (Figura 31). Esses dados foram usados para classificar o conjunto de imagens hiperespectrais das amostras de rocha. Duas análises foram realizadas. A primeira usou dados para todos os comprimentos de onda dentro da faixa espectral detectada pelo sensor (989 a 2496 nm; ‘conjunto de dados’). A segunda usou somente bandas que não foram afetadas pela absorção atmosférica ou ruído excessivo para comprimentos de onda maiores (Tabela 2; ‘conjunto de dados reduzido’). Se houveram grandes diferenças de desempenho de classificação, essas indicariam que informações espectralmente discriminantes importantes seriam inevitavelmente perdidas uma consequência de aquisição de dados no campo com o uso de luz natural. Classificações realizadas por MTGP foram comparadas com aquelas obtidas a partir de SAM.Tabela 2: Faixas de comprimento de onda usadas para o subconjunto espectral usado em ambos os experimentos.

[00192] Conjunto de imagens de campo (Experimento 2): O método de MTGP foi aplicado ao conjunto de imagens adquiridas no campo de uma face de rocha vertical (Experimento 2). O mesmo apresentou um teste mais difícil para MTGP por diversas razões. O conjunto de imagens adquirido sob luz solar natural é afetado por absorção por gases atmosféricos e vapor d'água, o que torna determinadas partes do espectro inutilizáveis (por exemplo, regiões espectrais próximas a 1.400 e 1.900 nm). Em outras partes do espectro, esses efeitos reduzem a quantidade de luz incidente que diminui a razão de sinal para ruído dos dados. Ademais, nem sempre é possível remover a absorção atmosférica residual dos dados, o que pode resultar em mudanças ao formato da curva espectral que é não relacionado à mineralogia. As faces de rochas têm comumente geometrias de superfície complexa com rocha suspensa que obscurece o feixe solar direto. Isso faz com que partes das faces de rocha sejam sombreadas em diferentes escalas espaciais. A face de rocha multifacetada causa grande variabilidade em luz incidente e refletida causando variabilidade na magnitude e formato da curva espectral, que são não relacionadas à variabilidade de mineralogia.

[00193] Espectros do conjunto de imagens hiperespectrais de amostras de rocha adquiridas sob luz artificial foram usados para treinar o MTGP. A Figura 32 ilustra um exemplo de tais espectros. O mesmo subconjunto espectral foi usado para treinar o MTGP para classificar conjunto de imagens da face de rocha as foi usado para classificar a imagem de laboratório (conjunto de dados reduzido). Resultados foram comparados com aqueles obtidos a partir de SAM.

[00194] Espectroscopia de alta resolução: Para o experimento 1, espectros de refletância de um espectrômetro de campo de alta resolução (FieldSpec 3, Analytical Spectral Devices, Boulder CO, USA) foram usados para treinar o MTGP. O espectrômetro mediu a luz refletida entre 350 a 3500 nm. O mesmo foi encaixado em uma sonda de refletância que continha uma fonte de luz de halogênio integrado. A janela de medição da sonda tinha 2 cm de diâmetro, correspondente a uma área de 3,14 cm2 na superfície de amostra. Um espectro de um padrão de refletância (~99 % Spectralon) foi adquirido imediatamente antes de cada espectro da superfície da rocha. Tanto o espectro de calibração quanto o espectro de rocha foram adquiridos colocando-se a sonda em contato direto com a superfície que é medida. Seis espectros foram adquiridos a partir de cada tipo de rocha (30 espectros no total). Todos os dados foram calibrados para refletância dividindo-se cada espectro de rocha pelo espectro correspondente a partir do padrão de refletância e multiplicando-se pelo fator de refletância do painel. Dados foram então convolvidos para os comprimentos de onda captados pelo sensor de imageamento com o uso de uma curva Gaussiana para representar uma função de sensitividade de largura de banda.

[00195] Conjunto de imagens hiperespectrais: O conjunto de imagens hiperespectrais foi adquirido a partir de amostras de rocha no laboratório com o uso de iluminação artificial e a partir da face de rocha vertical com o uso de luz solar natural. O conjunto de imagens hiperespectrais foi adquirido sobre a região espectral infravermelha de onda curta inteira (SWIR; 970 a 2500 nm) com o uso de um imageador de escaneamento de linha (Specim, Oulu, Finlândia). Os dados tiveram uma resolução espectral máxima de metade de largura total nominal (FWHM) de 6 nm, gerando 244 bandas espectrais. Dados foram codificados em 14 bits. O mesmo sensor foi usado para adquirir o conjunto de imagens no laboratório e no campo.

[00196] Para o conjunto de imagens de laboratório, o sensor foi montado em um quadro de escaneamento de metal, ponto nadir em uma mesa de escaneamento. As amostras foram colocadas na mesa, o que moveu para baixo os sensores para formar a segunda dimensão espacial da imagem (ao longo da faixa). As amostras foram iluminadas com o uso de dois arranjos de 7 luzes de halogênio cada. Uma imagem de calibração foi tomada a partir de um padrão de refletância (~ 99 % de Spectralon; Labsphere, North Sutton, NH, USA) imediatamente antes da imagem das amostras de rocha (imagem-alvo).

[00197] Para adquirir o conjunto de imagens da face de rocha no campo, o scanner de linha foi montado dentro do imageador hiperespectral 1 da Figura 1.

[00198] O scanner de linha foi montado em uma plataforma giratória no topo de um tripé. Para isolar o scanner de altas (> 50 °C) temperaturas e pó soprado pelo ar, o sensor foi encerrado em uma caixa isolada. Ar dissecado resfriado foi passado sobre os sensores durante sua operação.

[00199] No campo, um padrão de refletância (~80 % de Teflon) foi colocado no campo de visão do scanner. Teflon foi usado em vez de Spectralon para calibração devido ao fato de que o mesmo era mais robusto para uso no ambiente poeirento das minas.

[00200] Imagens foram adquiridas girando-se o scanner para formar a dimensão espacial ao longo da faixa. O tempo de integração de sensor foi definido de modo que nenhum pixel de interesse foi saturado, isto é, seu valor obteve a profundidade de bit do sensor.

[00201] O laboratório e o conjunto de imagens de campo foram corrigidos para os efeitos da corrente escura do sensor subtraindo-se uma medição de corrente escura separada de todas as imagens. O conjunto de imagens de laboratório foi calibrado para refletância dividindo-se os pixels em cada banda na imagem-alvo por aqueles na banda correspondente na imagem de calibração. A refletância absoluta foi obtida multiplicando-se esse quociente pelo fator de calibração do painel. Isso foi feito em uma base de linha por linha para compensar a variabilidade em iluminação através de faixa das amostras. O conjunto de imagens de campo foi calibrado para refletância do mesmo modo, mas em uma base banda por banda com o uso dos valores de pixels médios sobre o padrão de refletância.

[00202] Validação: As classificações de MTGP e SAM para os Experimentos 1 e 2 foram validadas de modos diferentes. Para o experimento 1, a classificação foi validada com o uso de estatísticas padrão que descrevem quão bem as classificações correspondem à verdade terrestre. Os mesmos incluíam o coeficiente Kappa de acordo (Congalton et al. 1983; Hudson and Ramm 1987) e estatísticas que descrevem erros de comissão e omissão(Mather 2004). A mineralogia das rochas era conhecida a partir de análise de XRD quantitativa. Informações de verdade terrestre foram obtidas identificando-se áreas das rochas que eram homogêneas antes da classificação. Isso foi feito por inspeção próxima das rochas com o uso de uma lente de aumento para identificar as áreas da superfície da rocha que foram representativas do tipo de rocha que descreve cada classe com base em sua cor, tamanho de grão e dureza. Desse modo, a verdade terrestre foi definida especificando-se as regiões de interesse (ROI) na superfície das amostras de rocha para cada uma das 5 classes. As classificações realizadas de conjuntos de dados contíguos e reduzidos foram comparadas com o uso das estatísticas acima. O número total de pixels classificados como cada tipo de rocha foi calculado separadamente das classificações realizadas a partir de conjuntos de dados contíguos e reduzidos. A mudança de porcentagem no número de pixels classificados como a mesma classe entre esses conjuntos de dados foi então determinada. A mudança de porcentagem no número de pixels classificados como a mesma classe por MTGP e SAM a partir do contíguo e reduzido foi calculada para cada classe. Para o experimento 2, validação foi realizada comparando-se os mapas feitos por MTGP e SAM para a distribuição geral das unidades geológicas à medida que os mesmos foram mapeados no campo.

Resultados

[00203] Experimento 1: As classificações realizadas por MTGP e SAM com o uso do conjunto de dados eram qualitativamente muito similares, mas com algumas pequenas diferenças. (Figura 33). Resultados foram amplamente coerentes com a mineralogia conhecida das rochas. As classificações realizadas com o uso de dados a partir do conjunto de dados foram muito similares às realizadas a partir do conjunto de dados reduzido (cf. Figura 33 a & b; c & d). A coerência no número total de pixels classificados por MTGP e SAM como a mesma classe, respectivamente, a partir dos conjuntos de dados contíguos e reduzidos foram incoerentes dentre as classes. A Tabela 3 ilustra a mudança de porcentagem nos números de pixels classificados como a mesma classe em classificações realizadas por MTGP e SAM a partir dos conjuntos de dados contíguos e reduzidos.

[00204] A maior (11,67 %) e a menor (0.05 %) mudanças ocorreram na classificação de MTGP de minério (hematita) e Xisto 4, respectivamente. A mudança de porcentagem média nos números de pixels classificada como a mesma classe a partir dos conjuntos de dados contíguos e reduzidos foi menor para a classificação MTGP do que para a classificação SAM. O número de pixels classificados como uma classe particular foi, portanto, mais coerente entre os conjuntos de dados contíguos e reduzidos para as classificações realizadas por MTGP do que para SAM.

[00205] A precisão geral e o coeficiente Kappa mostraram que MTGP superou SAM. A tabela 4 abaixo mostra as medidas estatísticas de desempenho de classificação de MTGP e SAM aplicada aos conjuntos de dados contíguos e reduzidos do conjunto de imagens de laboratório, que mostram inicialmente a precisão geral e coeficiente Kappa de acordo.

[00206] Isso procede para classificações realizadas a partir de ambos os conjuntos de dados. As classificações realizadas por MTGP e SAM a partir do conjunto de dados reduzido resultaram em uma perda de precisão geral de 5% em comparação às classificações realizadas a partir do conjunto de dados. Isso sugere que a remoção de bandas do conjunto de imagens adquiridas no campo para evitar que comprimentos atmosféricos teriam somente um pequeno impacto no desempenho geral de MTGP e SAM, pelo menos para as classes consideradas aqui.

[00207] A Tabela 5 mostra abaixo que as estatísticas que descrevem erro de comissão e omissão para cada classe mostraram grande diferença entre as classificações realizadas por MTGP e SAM.

[00208] Os maiores erros para MTGP foram encontrados para as classes de Minério (hematita) e Minério (goethita). Cerca de 11% de pixels, os quais deveriam ter sido classificados como hematita, não foram corretamente classificados como aquela classe, conforme indicado pelo erro grande de omissão. De modo contrário, cerca de 10% de pixels, os quais não deveriam ser classificados como goethita, foram classificados como aquela classe, conforme indicado pelo erro grande de comissão. Os erros foram marginalmente grandes para o MTGP quando aplicado ao conjunto de dados reduzido e comparado. Padrões diferentes de erros foram constatados para as classificações realizadas por SAM a partir do conjunto de dados. Erros de comissão foram grandes de modo semelhante tanto para hematita quanto para goethita. Erros de omissão foram muito grandes para o Xisto 1 do que os mesmos foram na classificação de MTGP. De modo semelhante, os padrões de erro foram constatados para SAM quando o mesmo foi aplicado ao conjunto de dados reduzido.

[00209] Experimento 2 Os resultados de classificações realizadas por MTGP e SAM mostraram padrões espaciais semelhantes na distribuição de xistos na parede da rocha são ilustrados na Figura 34. Os mesmos foram amplamente comparáveis com as distribuições gerais mapeadas no campo. Duas diferenças principais na classificação foram evidentes entre as classificações realizadas por MTGP e SAM: 1) um número maior de pixels foi classificado como Xisto 3 por MTGP do que por SAM. Esses pixels foram distribuídos em blocos ou camadas espacialmente contíguos na imagem e foram classificados como Xisto 2 por SAM. Os números grandes de pixels classificados como Xisto 3 por MTGP e como Xisto 2 por SAM foram quantitativamente investigados comparando-se os mapas classificados com as áreas mapeadas no campo como Xisto 2 e Xisto 3. Isso foi feito da mesma forma que para o conjunto de imagens de laboratório. Foi possível aplicar uma abordagem quantitativa devido ao fato de que o Xisto 2 e o Xisto 3 podem ser facilmente identificados no campo como áreas distintas e internamente homogêneas na parede da rocha. Esse não foi o caso para os outros xistos devido a grandes quantidades de variabilidade na escala espacial pequena. A alta resolução espacial do sensor capturou essa variabilidade, tornando difícil atribuir áreas distintas da face da rocha a uma classe definitiva; e 2) um grande número de pixels foi classificado como Xisto 1 por MTGP do que por SAM, o qual, mais comumente, classificou esses pixels como Xisto 5. Muitos desses pixels foram pixels individuais ou distribuídos como pequenos grupos de pixels dispersos ao redor da face da mina. Essas diferenças nas classificações foram investigadas examinando-se os espectros de pixels que foram classificados como Xisto 1 (por MTGP) e como Xisto 5 (por SAM). Dez pixels foram aleatoriamente extraídos do conjunto de imagens e plotados em conjunto com os espectros de biblioteca para o Xisto 1 e o Xisto 5 que foram usados na classificação por SAM. As classificações desses espectros feitas por um espectroscopista humano foram comparadas com aquelas feitas por MTGP e SAM.

Diferenças nas classificações de MTGP e SAM de Xisto 2 e Xisto 3

[00210] O MTGP superou SAM na classificação de Xisto 2 e Xisto 3 (coeficientes Kappa de 0,78 e 0,25, respectivamente). Erros de comissão e omissão mostraram que SAM confundiu essas 2 classes na medida em que mais de 56% dos pixels que deveriam ter sido classificados como Xisto 3 foram erroneamente classificados como Xisto 2 na maioria dos casos. A Tabela 6 ilustra os erros de comissão e omissão para a classe Xisto 2 e a classe Xisto 3 a partir de uma imagem da face da rocha.

[00211] O exame do espectro médio para o Xisto 2 e o Xisto 3 (isto é, os espectros usados na classificação de SAM) mostraram que, sobre o formato geral da curva espectral, o mesmo foi semelhante para essas classes. Ambos os espectros foram convexos em formato e tiveram um surgimento agudo na refletância de 1.000 nm a um pico a ~1.300 nm, indicativo de ferro férrico. Sua semelhança espectral é ilustrada na Tabela 7, o que mostra o índice de semelhança espectral entre os pares de espectros médios para cada classe na biblioteca espectral: 0 é nenhuma semelhança; 1 = espectros são os mesmos.

[00212] Dessa forma, a semelhança no formato espectral geral pode explicar o porquê de a classificação de SAM ter confundido essas classes. Isso levantou mais perguntas sobre os motivos pelos quais o MTGP superou SAM. Para tratar disso, 3 áreas separadas nas imagens foram identificadas, as quais foram exclusivamente classificadas como Xisto 2 por SAM e como Xisto 3 por MTGP.

[00213] Os espectros dessas áreas foram extraídos a partir de uma imagem. Os espectros das áreas diferentes mostraram, todos, os recursos de diagnóstico associados a Fe-OH e são representados na Figura 35 à Figura 38. No entanto, nem todos os espectros exibiram o aumento na refletância entre 1.000 nm e 1.300 nm (consultar, Figura 35, área 1 e Figura 36, área 2). O exame de uma seleção dos espectros individuais usado para treinar o MTGP mostrou que os espectros tiveram absorções associadas a Fe-OH, mas alguns tiveram um aumento muito maior (declive) na refletância entre 1.000 nm e 1.300 nm do que outros (Figura 38). Essa variabilidade nos espectros ocorreu dentro das mesmas rochas classificadas como o Xisto 3 por inspeção visual e análise de XRD. Os espectros médios usados para a classificação de SAM (Figura 36) tiveram um declive grande entre 1.000 nm e 1.300 nm. Dessa forma, a variabilidade inerente nos espectros de nontronita foi capturada por MTGP, mas não por SAM, o que leva à confusão entre essas classes na classificação de SAM.

Diferenças nas classificações de MTGP e SAM de Xisto 1 e Xisto 5

[00214] A comparação de espectros aleatoriamente extraídos do conjunto de imagens para pixels classificados como Xisto 1 e como Xisto 5 por MTGP e SAM, respectivamente, tiveram um formato de curva semelhante (Figura 39). Os espectros diminuíram, em geral, com o aumento do comprimento de onda e não tiveram um declive grande entre 1.000 nm e 1.300 nm, indicativo de absorção de ferro férrico. Muitos espectros também tiveram uma característica de absorção distinta em cerca de 2.200 nm com cerca da mesma resistência (profundidade) que o espectro de biblioteca para o Xisto 1. Essas características espectrais são todas coerentes com o espectro de biblioteca para o Xisto 1. A diferença mais surpreendente entre o espectro de biblioteca para o Xisto 5 e os espectros de imagem foi que o mesmo teve um declive íngreme entre 1.000 nm e 1.300 nm. Esse não foi esteve presente em qualquer um dentre os espectros de imagem. Independente dessas semelhanças entre o espectro de biblioteca para o Xisto 1, os espectros de imagem foram classificados por SAM como Xisto 5 (consultar o menor ângulo espectral para o Xisto 5 do que o Xisto 1; Figura 39). Dessa forma, a classificação feita por MTGP foi mais coerente com os resultados de exame espectroscópico interativo.

[00215] A capacidade para classificar o conjunto de imagens hiperespectrais adquirido na luz solar natural com o uso de bibliotecas de minerais conhecidos adquiridos sob luz artificial é desafiante. Os espectros de imagem adquiridos no campo ou a partir de aeronave têm características potencialmente diferentes para espectros de biblioteca adquiridos no laboratório por sensores hiperespectrais de não imageamento ou imageamento. Os espectros adquiridos sob luz natural incorporam efeitos da atmosfera de intervenção, aumentando o ruído em algumas partes do espectro enquanto impede completamente outras partes que são usadas.

[00216] É essa variabilidade nos comprimentos atmosféricos que direciona a importância para o uso de espectros de biblioteca adquiridos sob condições “ideais” padrões (isto é, com o uso de luz artificial) para classificação. Existem diversos motivos pelos quais os espectros de pixel do conjunto de imagens adquiridos sob luz natural podem ser diferentes de espectros de rochas ou minerais adquiridos sob luz artificial. Esses motivos podem ser relacionados aos aspectos físicos e químicos de mineralogia, por exemplo, variabilidade em abundância mineral, cristalinidade ou tamanho de grão. Tais efeitos podem causar alterações ao formato da curva espectral ou ao comprimento de onda posição ou à profundidade de características de absorção individuais. Frequentemente, diferenças principais ocorrem devido aos fatores exteriores que não são relacionados à mineralogia. As mesmas incluem comprimentos atmosféricos causados por absorção e dispersão de luz por gases e aerossóis atmosféricos. Os efeitos relacionados à topografia do alvo que é medido, por exemplo, variações em luz incidentes e refletida também podem ter um efeito profundo sobre a magnitude (brilho) de espectros. Para tratar dessas diferenças, os métodos usados para classificar dados hiperespectrais precisam ter duas propriedades. Primeiro, os espectros de biblioteca precisam abranger a variabilidade natural observada dentro de classes de rocha ou mineral. Para fazer isso, múltiplos espectros devem ser usados no processo de classificação para capturar a variabilidade dentro de classe natural que surge de variações nas propriedades físicas e químicas daquela classe. Segundo, os métodos precisam ter capacidade para lidar com a variabilidade na magnitude de espectros que surgem de variações na topografia ou no albedo dentre os espectros que são classificados.

[00217] Ambas essas exigências são correspondidas pela metodologia MTGP das modalidades preferenciais devido ao fato de que as mesmas usam múltiplos espectros para treinar (incorporando, dessa forma, variabilidade espectral) e usar uma função de covariância não estacionária, a qual ignora diferenças na magnitude espectral. Além disso, o MTGP realiza a classificação dentro de uma única etapa unificada, removendo, dessa forma, a necessidade de repetir o processo de classificação para cada classe que é considerada. Uma função de covariância de múltiplas tarefas é derivada, permitindo tal classificação de MTGP de múltiplas classes.

[00218] Com o uso de medidas estatísticas convencionais, o desempenho de MTGP foi superior aquele da implantação convencional de SAM. Esse foi o caso para o conjunto de imagens adquirido no laboratório e no campo. A diferença principal entre as classificações de MTGP e SAM do conjunto de imagens de campo exemplificativo da parede da rocha foi que o Xisto 3 foi sub-representado na classificação de SAM. O SAM confundiu coerentemente Xisto 3 com Xisto 2. O motivo para essa confusão foi que os espectros médios para o Xisto 2 e o Xisto 3, usados na classificação de SAM, foram semelhantes. No entanto, os espectros individuais que constituíram os espectros médios para o Xisto 3 e que foram usados no treinamento do MTGP mostraram grandes quantidades de variabilidade. Essa variabilidade não foi contida dentro do único espectro médio e, portanto, não foi reconhecida por SAM. O MTGP teve capacidade para mapear corretamente os locais de Xisto 3 devido ao fato de que atributos semelhantes de variabilidade (isto é, diferenças espectrais na intensidade de absorção por ferro férrico) foram observados tanto nos espectros de treinamento individuais quanto na parede da rocha.

[00219] A natureza complexa dos processos físicos que envolvem meios de absorção que são partes diferentes da curva espectral é idealmente discriminativa para minerais diferentes. Na presente análise, toda a curva espectral de SWIR foi usada para fazer a classificação. Em modalidades alternativas, determinadas partes da curva espectral podem ser denotadas para ter importância maior que outras durante o treinamento e a classificação. Dependendo da composição das rochas ou dos minerais que são mapeados, a seleção de regiões de comprimento de onda específicas para a classificação pode ter um impacto significativo mediante o mapa classificado resultante.

[00220] Na presente implantação de MTGP, todos os comprimentos de onda nos dados têm peso igual. Isso significa que o formato geral da curva espectral é usado. Ainda assim, para muitos minerais, os quais têm características de absorção diagnósticas, essa estratégia pode não ser ideal. Muitos recursos que são diagnósticos de determinados minerais ocorrem entre 2.000 e 2.450 nm e são relativamente estreitos. A presença de tais recursos é um auxílio potente para a classificação devido ao fato de que os mesmos identificam de modo não ambíguo a presença de um mineral em particular. Esses recursos estreitos, mas importantes, representam uma proporção relativamente pequena da quantidade geral de dados que estão disponíveis em toda a curva espectral. Devido ao fato de que aos mesmos se dá peso igual a todas as outras bandas, sua importância relativa não é considerada pelo MTGP. Isso pode ter um impacto significativo sobre os resultados de classificação.

[00221] As modalidades preferenciais fornecem, portanto, um classificador de múltiplas tarefas, com base em processos Gaussianos - o MTGP - para a classificação de dados hiperespectrais. O MTGP opera dentro de uma estrutura de múltiplas tarefas, dessa forma, a classificação é feita em um único processo unificado, o qual remove a necessidade de operar o classificador múltiplas vezes. A nova função de covariância de múltiplas tarefas foi desenvolvida para permitir uma classificação de MTGP de múltiplas classes. O MTGP foi aplicado ao conjunto de imagens hiperespectrais adquirido no laboratório a partir de amostras de rocha e a partir de uma parede vertical da rocha em uma mina de poço aberto. Os resultados de MTGP foram superiores aqueles obtidos a partir da implantação clássica de SAM.

Interpretação

[00222] Referência ao longo deste relatório descritivo a "uma (1) modalidade" e "uma modalidade" significa que um determinado recurso, estrutura ou características descritas em conexão com uma modalidade está incluído em uma pelo menos uma (1) modalidade presente invenção. Desse modo, as ocorrências das frases “em uma (1) modalidade”, "em algumas modalidades, ou “em uma modalidade” em vários lugares por todo o relatório descritivo não necessariamente faz referência à mesma modalidade, mas podem. Além disso, os recursos, estruturas ou características particulares podem ser combinados de qualquer maneira adequada, conforme será aparente para uma pessoa de habilidade comum na técnica a partir dessa revelação, em uma ou mais modalidades.

[00223] Conforme usado no presente documento, a menos que especificado de outro modo, o uso dos adjetivos ordinais “primeiro”, “segundo”, “terceiro” etc. para descrever um objeto comum indica meramente que ocorrências diferentes de objetos semelhantes estão sendo mencionadas e não se destina a sugerir que os objetos assim descritos precisam estar em uma dada sequência, seja temporal, espacial, classificativa ou de qualquer outra forma.

[00224] Nas reivindicações abaixo e na descrição no presente documento, quaisquer um dos termos que compreende, compreendido de ou que compreende é um termo aberto que significa que inclui pelo menos os elementos/recursos que seguem, mas sem excluir outros. Desse modo, o termo que compreende, quando usado nas reivindicações, não deve ser interpretado como sendo limitante aos meios ou elementos ou etapas listadas posteriormente. Por exemplo, o escopo da expressão “um dispositivo que compreende A e B” não deve ser limitado a dispositivos que consistem somente em elementos A e B. Qualquer um dos termos “incluindo” ou “o qual inclui” ou “que inclui”, conforme usado no presente documento, também é um termo aberto que também significa “incluindo pelo menos os elementos/recursos que seguem o termo, mas não excluindo outros”. Desse modo, incluir é sinônimo de compreender e significa o mesmo.

[00225] Conforme usado no presente documento, o termo “exemplificativo” é usado no sentido de fornecer exemplos, em oposição à qualidade de indicação. Isto é, uma “modalidade exemplificativa” é uma modalidade fornecida como um exemplo, em oposição a ser necessariamente uma modalidade de qualidade exemplificativa.

[00226] Deve-se verificar que, na descrição acima das modalidades exemplificativas da invenção, diversos recursos da invenção são, algumas vezes, agrupados juntos em uma única modalidade, Figura ou descrição das mesmas com o propósito de simplificação da revelação e auxiliando no entendimento de um ou mais dos diversos aspectos inventivos. No entanto, esse método de revelação não deve ser interpretado como reflexão de uma intenção que a invenção reivindicada exige mais recursos que são expressamente citados em cada reivindicação. Em vez disso, conforme as reivindicações a seguir refletem, os aspectos inventivos repousam em menos que todos os recursos de uma única modalidade anterior revelada. Desse modo, as reivindicações que seguem a Descrição Detalhada são, através disso, expressamente incorporadas nessa Descrição Detalhada, com cada reivindicação sustentada por si só como uma modalidade separada dessa invenção.

[00227] Além disso, embora algumas modalidades descritas no presente documento incluam alguns, mas não outros recursos incluídos em outras modalidades, combinações de recursos de modalidades diferentes não devem estar dentro do escopo da invenção e formam modalidades diferentes, conforme será entendido pelos elementos versados na técnica. Por exemplo, nas reivindicações a seguir, qualquer uma das modalidades reivindicadas pode ser usada em qualquer combinação.

[00228] Além disso, algumas das modalidades são descritas no presente documento como um método ou uma combinação de elementos de um método que pode ser implantado por um processador de um sistema de computador ou por outros meios para executar uma função. Dessa forma, um processador com as instruções necessárias para executar tal método ou elemento de um método forma um meio para executar o método ou o elemento de um método. Além disso, um elemento descrito no presente documento de uma modalidade do aparelho é um exemplo de um meio para executar uma função realizada pelo elemento para o propósito de executar a invenção.

[00229] Na descrição fornecida no presente documento, vários detalhes específicos são apresentados. No entanto, é entendido que as modalidades da invenção podem ser praticadas sem esses detalhes específicos. Em outras circunstâncias, métodos bem conhecidos, estruturas e técnicas não foram mostrados em detalhes a fim de não obscurecer um entendimento dessa descrição.

[00230] De modo semelhante, deve ser observado que o termo acoplado, quando usado nas reivindicações, não deve ser interpretado como sendo limitado a conexões diretas apenas. Os termos “acoplado(a)(s)” e “conectado(a)(s)”, juntamente com seus derivados, podem ser usados. Deve-se compreender que esses termos não são concebidos como sinônimos entre si. Dessa forma, o escopo da expressão “um dispositivo A acoplado a um dispositivo B” não deve ser limitado a dispositivos ou sistemas em que uma saída do dispositivo A é diretamente conectada a uma entrada do dispositivo B. Isso significa que existe um trajeto entre uma saída de A e uma entrada de B, o qual pode ser um trajeto que inclui outros dispositivos ou meios. “Acoplado(a)(s)” pode significar que dois ou mais elementos estão tanto em contato físico direto como em contato elétrico, ou que dois ou mais elementos não estão em contato direto um com o outro, mas ainda cooperam ou interagem entre si.

[00231] Dessa forma, embora tenha sido descrito o que se acredita ser as modalidades preferenciais da invenção, as pessoas versadas na técnica reconhecerão que outras modificações e modificações adicionais podem ser feitas às mesmas sem se afastar do espírito da invenção, e as mesmas são destinadas a reivindicar todas tais alterações e modificações como sendo abrangidas pelo escopo da invenção. Por exemplo, quaisquer fórmulas dadas acima são meramente representativas de procedimentos que podem ser usados. A funcionalidade pode ser adicionada ou excluída dos diagramas em bloco e as operações podem ser intercambiadas dentre blocos funcionais. As etapas podem ser adicionadas ou excluídas para os métodos descritos dentro do escopo da presente invenção.

Claims

1. Imageador hiperespectral para imagear ambientes externos, o imageador caracterizado pelo fato de que inclui: uma unidade escaneadora de linha óptica adaptada para realizar escaneamentos de linha de um ambiente de mineração por meio de rotação do mesmo; um invólucro ambiental que circunda a unidade escaneadora de linha óptica que fornece um primeiro grau de temperatura e isolamento de pó do ambiente, sendo que o invólucro é montado em uma plataforma giratória; uma plataforma giratória anexada ao invólucro ambiental, adaptada para girar a unidade de invólucro ambiental e unidade escaneadora de linha óptica sob o controle de um sistema de controle eletrônico; uma unidade resfriadora termoelétrica anexada ao invólucro ambiental para resfriar o invólucro, mantendo, assim, o invólucro em uma temperatura substancialmente estável durante as operações; e um sistema de controle eletrônico para controlar a unidade resfriadora termoelétrica, e a unidade escaneadora de linha óptica, e o sistema de rotação para a captura de imagens hiperespectrais pelo dito imageador.

2. Imageador hiperespectral, de acordo com a reivindicação 1, caracterizado pelo fato de que inclui adicionalmente uma porta dissecante e baia de retenção para reter um dissecante para fornecer controle de umidade ao dito invólucro.

3. Imageador hiperespectral, de acordo com a reivindicação 1 ou 2, caracterizado pelo fato de que: a dita unidade resfriadora termoelétrica é montada no topo do invólucro; a dita plataforma giratória é acionada por uma corrente de cabos para gerenciar o movimento de cabo e evitar a ruptura; e o dito invólucro ambiental inclui pelo menos uma passagem óptica para projeção de uma lente óptica da unidade escaneadora de linha óptica.

4. Imageador hiperespectral, de acordo com a reivindicação 1, caracterizado pelo fato de que inclui ainda uma unidade de processamento de imagem interconectada a uma unidade escaneadora de linha óptica adaptada para receber e armazenar os escaneamentos de linha da unidade escaneadora de linha óptica, como imagens hiperespectrais correspondentes, e processar conteúdo de luminância dos escaneamentos de linha capturados, incluindo: capturar uma imagem hiperespectral de um ambiente externo que utiliza um nível de exposição atual; determinar uma proporção de saturação que é a razão do número de canais espectrais em um limite de saturação superior ao número total de canais espectrais; e se a proporção de saturação estiver acima de um limiar predeterminado, reduzir o nível de exposição atual da imagem hiperespectral capturada.

5. Imageador hiperespectral, de acordo com a reivindicação 1, caracterizado pelo fato de que inclui ainda uma unidade de processamento de imagem interconectada a uma unidade escaneadora de linha óptica adaptada para receber e armazenar os escaneamentos de linha da unidade escaneadora de linha óptica, como imagens hiperespectrais correspondentes, e processar conteúdo de luminância dos escaneamentos de linha capturados, incluindo: determinar uma comparação entre um espectro de referência e um espectro capturado; e quando o espectro capturado exceder o espectro de referência por uma primeira quantidade predeterminada, reduzir a exposição do espectro capturado por uma segunda quantidade predeterminada.

6. Imageador hiperespectral, de acordo com a reivindicação 1, caracterizado pelo fato de que inclui ainda uma unidade de processamento de imagem interconectada a uma unidade escaneadora de linha óptica adaptada para receber e armazenar os escaneamentos de linha da unidade escaneadora de linha óptica, como imagens hiperespectrais correspondentes, e processar conteúdo de luminância dos escaneamentos de linha capturados, incluindo: determinar um primeiro nível de brilho de um quadro da imagem capturada; comparar o primeiro nível de brilho a um nível desejado predeterminado de brilho; determinar uma medida de diferença de logaritmo entre o primeiro nível de brilho e o nível desejado de brilho; e ajustar o nível de exposição da imagem de acordo com a medida de diferença de logaritmo.

7. Imageador hiperespectral, de acordo com a reivindicação 6, caracterizado pelo fato de que somente as bandas de comprimento de onda predeterminados da imagem hiperespectral são utilizadas no cálculo do primeiro nível de brilho.

8. Imageador hiperespectral, de acordo com qualquer uma das reivindicações 6 a 7, caracterizado pelo fato de que ajustando iterativamente o nível de exposição da imagem hiperespectral capturada começa inicialmente com um baixo nível de exposição.

9. Imageador hiperespectral, de acordo com a reivindicação 1, caracterizado pelo fato de que inclui ainda uma unidade de processamento de imagem interconectada a uma unidade escaneadora de linha óptica adaptada para receber e armazenar os escaneamentos de linha da unidade escaneadora de linha óptica, como imagens hiperespectrais capturadas correspondentes, e processar uma série de imagens hiperespectrais de modo a classificar suas partes constituintes, em que o processamento inclui: derivar um modelo probabilístico dependente de ângulo de observação não estacionário que tem uma série de parâmetros para a série de imagens hiperespectrais; treinar a série de parâmetros de modelo probabilístico em amostras de mineral obtidas a partir de medições de refletância de luz artificial; e utilizar o modelo probabilístico em conjunto de imagens hiperespectrais adquiridas a partir das condições geográficas de amostragem sob condições de iluminação natural, para classificar partes constituintes do conjunto de imagens hiperespectrais.

10. Imageador hiperespectral, de acordo com a reivindicação 9, caracterizado pelo fato de que o dito modelo probabilístico compreende uma função de covariância não estacionária.

11. Imageador hiperespectral, de acordo com a reivindicação 10, caracterizado pelo fato de que o dito modelo probabilístico compreende uma função de covariância dependente de ângulo de observação não estacionário (OADCF).

12. Imageador hiperespectral, de acordo com a reivindicação 9, caracterizado pelo fato de que o dito modelo probabilístico inclui um processo Gaussiano de múltiplas tarefas, e a dita etapa de treinamento inclui treinar as imagens nos espectros de refletância obtidos com o uso de iluminação artificial.

13. Imageador hiperespectral, de acordo com a reivindicação 9, caracterizado pelo fato de que o dito modelo probabilístico inclui um processo Gaussiano de múltiplas tarefas que utiliza uma função de covariância não estacionária que é invariável em luminosidade.

14. Imageador hiperespectral, de acordo com qualquer uma das reivindicações 9 a 13, caracterizado pelo fato de que o dito modelo probabilístico é uma função de covariância de múltiplas tarefas.

15. Imageador hiperespectral, de acordo com qualquer uma das reivindicações 9 a 14, caracterizado pelo fato de que o dito modelo probabilístico é derivado de uma porção do dito conjunto de imagens hiperespectrais que inclui baixos níveis de absorção atmosférica.

16. Imageador hiperespectral, de acordo com a reivindicação 1, caracterizado pelo fato de que inclui ainda uma unidade de processamento de imagem interconectada a uma unidade escaneadora de linha óptica adaptada para receber e armazenar os escaneamentos de linha da unidade escaneadora de linha óptica, como imagens hiperespectrais capturadas correspondentes, e processar as imagens hiperespectrais capturadas sob condições de iluminação natural, incluindo: capturar uma imagem hiperespectral de um ambiente externo em condições de iluminação natural; capturar os dados de distância de faixa sobrepostos das superfícies no ambiente externo; utilizar os dados de faixa sobrepostos para decompor o ambiente externo em uma série de segmentações (ou uma malha); realizar uma renderização inversa de absorção de luz em cada segmentação para determinar o nível de refletância da segmentação em pelo menos um dentre: uma fonte de luz solar, iluminação de céu ambiente e segmentações circundantes; e utilizar o nível de refletância de cada segmentação para alterar o nível de pixels correspondentes dentro da imagem hiperespectral.

17. Imageador hiperespectral, de acordo com a reivindicação 16, caracterizado pelo fato de que a dita renderização inversa compreende uma renderização de radiosidade inversa e ditas segmentações são tesseladas.

18. Imageador hiperespectral, de acordo com a reivindicação 16, caracterizado pelo fato de que inclui ainda: subdivisão adaptativa dos dados de faixa em uma série de segmentações, e realizar uma estimativa de fator de forma para a dita série de segmentações.

19. Imageador hiperespectral, de acordo com a reivindicação 16, caracterizado pelo fato de que o processamento é repetido para cada comprimento de onda da imagem hiperespectral capturada.

20. Imageador hiperespectral, de acordo com a reivindicação 16, caracterizado pelo fato de que inclui ainda determinar um nível de refletância de cada uma dentre de uma fonte de luz solar, iluminação de céu ambiente e segmentações circundantes.