Kuten ihmisen silmässä, myös digitaalisessa RGB-kamerassa on kolmen tyyppisiä sensoreita. Näistä kukin on herkkä erilaiselle ja melko laajalle kaistalle näkyvän valon aallonpituusalueella 380 nm – 780 nm. Tämän vuoksi digitaalisen kameran sensoreiden vaste on verrattavissa ihmisen silmän tekemään väriaistimukseen, mutta siitä kuitenkin puuttuu yksityiskohtainen tieto kultakin aallonpituusalueelta laajakaistaisen summausprosessin takia. Joissakin sovelluksissa nämä kapeakaistaiset yksityiskohdat voivat kuitenkin olla tärkeitä.
Hyperspektrikuvantaminen mahdollistaa sen sijaan sensorin, joka mittaa valon ominaisuutta jopa useilta sadoilta kapeakaistaisilta aallonpituusalueilta eli vain muutaman nanometrin välein. Tämä tarkkuus on hyödyllistä monissa sovelluksissa, kuten materiaalien tunnistamisessa, tuotannon laadun tarkistamisessa ja tyypillisessä RGB-kuvassa piilossa olevien kontrastien esille tuomisessa. Tämä tekee hyperspektrikuvantamisesta arvokkaan työkalun muun muassa kaukokartoituksessa, kulttuuriperinnön digitoinnissa, teollisuuden laadunvalvonnassa ja diagnostisessa lääketieteellisessä kuvantamisessa.
Haittana ovat kuitenkin tämän kuvantamismenetelmän kustannukset laitteen hinnassa ja kuvantamisesta tulevan suuren tietomäärän käsittelyajassa. Yksi mahdollisuus on käyttää monikanavaisia digitaalisia kameroita, joissa digitoidaan muutamia tai kymmeniä aallonpituusalueita ja estimoidaan hyperspektritieto käyttämällä etukäteen saatavilla olevaa tietoa tilastollisten mallien kanssa.
Tämä väitöskirjatyö keskittyy hyperspektrikuvantamisen koko ketjuun kuvanotosta estimointimalleihin ja lopuksi spektridatan käsittelymenetelmiin. Työssä tutkittiin parhaita käytäntöjä kuvantamiseen, jolla saavutetaan hyväksyttävä signaali-kohinasuhde sellaisissa tapauksissa, joissa kohteen erilaisia värisävyjä on paljon. Työssä tutkittiin myös menetelmää hyperspektrikuvien laadukkaaseen estimointiin. Lopuksi työssä kehitettiin laskennallinen menetelmä spektrikuvien piirreirrotukseen, jota voidaan käyttää automaattisessa kuva-analyysissä apuna.
Lisäksi väitöskirjatyössä tuotettiin kaksi spektrikuvatietokantaa, ja ne saatettiin julkisesti tutkimusyhteisön käyttöön. Toinen tietokanta on ikoneiden spektrikuvatietokanta (SIDRI) ja toinen on tekstiilinäytteiden spektrikuvatietokanta (SpecTex).
SIDRI on tietokanta, joissa ikonit on kuvattu mm. RGB-, monikanavaspektri- ja hyperspektrikameroilla, ja lisäksi eri kameroiden data on rekisteröity toisiinsa nähden. Rekisteröintiprosessi tekee tästä tietonkannasta erityisen hyödyllisen erilaisten estimointi- ja kuva-analyysimenetelmien testaamiseen ja vertailuun.
SpecTex on yksi harvoista saatavilla olevista hyperspektraalisista tekstuuritietokannoista, joita käytetään tässä työssä kehitetyn piirreirroitusmenetelmän testaamiseen. Nämä tietokannat on julkaistu uudessa tiedostoformaatissa, joka perustuu Tagged Image File Format (TIFF) -profiiliin. Tämä tiedostoformaatti on hyödyllinen spektrikuvien katselemisessa ja suurten tietomäärien arkistoinnissa.
MSc Arash Mirhashemin tietojenkäsittelytieteen alaan kuuluva väitöskirja Hyperspectral image acquisition, estimation, and feature extraction of complex and textured surfaces tarkastetaan luonnontieteiden ja metsätieteiden tiedekunnassa 5.8.2020 (verkossa) klo 11.00 alkaen. Vastaväittäjänä toimii professori Masahiro Yamaguchi, Tokyo Institute of Technology, Japani, ja kustoksena professori Markku Hauta-Kasari, Itä-Suomen yliopisto. Väitöstilaisuuden kieli on englanti.