El análisis de imagen espectral de sistemas analíticos complejos se realiza generalmente en química analítica. Durante el análisis de imagen espectral se extraen las señales asociadas con los análisis clave presentes en una escena de imagen. En consecuencia, el primer paso en el análisis de imagen espectral es segmentar la imagen para extraer las señales aplicables para el análisis. En contraste, el uso de métodos tradicionales de segmentación de imagen en cronometría dificulta la extracción de las señales relevantes. Ninguno de los enfoques incorpora información contextual presente en una escena de imagen; por lo tanto, la clasificación se limita solo a umbrales o píxeles. En este documento se presenta un método de traducción de imagen píxel a píxel (p2p) para segmentar imágenes espectrales utilizando una red generativa adversaria (GAN). El GAN p2p forma dos modelos neuronales. Durante los procesos de producción y detección, la representación aprende a segmentar imágenes etéreas de manera precisa. Para la evaluación de los resultados, se utilizó un análisis discriminante parcial del método de mínimos cuadrados para clasificar las imágenes basadas en umbrales y píxeles. A partir de los resultados experimentales, se determinó que la segmentación p2p basada en GAN realiza la mejor segmentación con una precisión general de 0,98 +/- 0,06. Este resultado muestra que las técnicas de procesamiento de imagen utilizando aprendizaje profundo contribuyen a mejorar el procesamiento de imagen espectral. Los resultados de esta investigación demostraron la efectividad de las técnicas de procesamiento de imagen que utilizan aprendizaje profundo para mejorar el procesamiento de imagen espectral.