第1章多光谱成像概述

1. 多光谱成像概述

各位同学好，我是老张。在机器视觉这行摸爬滚打了十几年，今天咱们来聊聊多光谱成像。说实话，我第一次接触多光谱这个概念是在一个农业项目里——客户想区分健康水稻和染病水稻，普通相机拍出来全是绿的，根本分不清。后来用了多光谱相机，问题一下子就解决了。

多光谱成像，说白了就是同时获取多个特定波段的光信息。你想想看，普通相机只拍红绿蓝三个通道，而多光谱相机能拍到5个、10个甚至更多波段。每个波段就像一把钥匙，能打开不同的信息大门。

多光谱成像的核心思想很简单：利用不同物质对不同波段光的反射特性差异，来识别和区分目标。比如健康植物在近红外波段反射率很高，而染病植物反射率会明显下降。这个差异，普通相机是看不到的。

关键参数：多光谱相机通常覆盖可见光到近红外范围（400nm-1000nm），波段数量在3-10个之间。每个波段带宽一般在10-50nm。

我在项目中遇到过不少工程师，觉得多光谱就是多装几个滤光片。其实没那么简单。波段选择、带宽设计、信噪比控制，每个环节都有坑。嗯，后面我们会详细讲。

这个问题我经常被问到。多光谱和高光谱，到底差在哪？

我个人习惯这样理解：多光谱是"精挑细选"，高光谱是"地毯式扫描"。多光谱只拍你关心的几个波段，高光谱恨不得把整个光谱都拍下来。

举个例子。我在做水果分选项目时，只需要区分苹果的成熟度。用3-4个波段就够了——绿光看叶绿素，红光看花青素，近红外看水分。这就是多光谱的思路。但如果要做科研，想发现未知的光谱特征，那就得上高光谱。

我的建议：工业应用优先选多光谱。数据量小、处理快、成本可控。高光谱更适合科研和军事领域。别一上来就追求"越多越好"，那是给自己找麻烦。

多光谱成像的应用场景很多，我挑三个最典型的说说。

这是多光谱最成熟的应用之一。通过计算归一化植被指数（NDVI），可以快速判断作物长势。NDVI的计算公式很简单：

NDVI = (NIR - Red) / (NIR + Red)

其中NIR是近红外波段反射率，Red是红光波段反射率。健康植物的NDVI值在0.6-0.9之间，而裸土或枯死植物的NDVI值接近0甚至负值。

我曾经帮一个农场搭建过无人机多光谱监测系统。他们原来靠人工下地巡查，200亩地要跑一整天。用了多光谱后，无人机飞10分钟，数据自动分析，哪块地缺水、哪块地有病虫害，一目了然。

注意：NDVI受天气影响很大。阴天、雾霾天数据会偏差。我建议每次采集前做一次白板校正，保证数据可比性。

卫星和无人机搭载的多光谱相机，可以大范围监测地表信息。比如水体污染监测——不同浓度的藻类在近红外波段有不同反射特征。再比如矿产勘探——某些矿物在短波红外波段有特征吸收峰。

我记得有个项目是做城市热岛效应分析。我们用多光谱热红外相机，拍出了城市不同区域的地表温度分布图。水泥路面温度比公园绿地高出十几度，数据非常直观。

工业分选是多光谱成像的"杀手级应用"。比如塑料分选——不同种类的塑料在近红外波段有独特的"指纹"特征。再比如食品分选——霉变花生、虫蛀豆子，在特定波段下无所遁形。

我参与过一条坚果分选线。客户要求把坏果剔除率做到99%以上。普通彩色相机只能识别颜色差异，但有些坏果颜色和好果差不多。加了多光谱后，近红外波段能穿透果壳，直接检测内部品质。嗯，效果立竿见影。

下面这张图展示了多光谱成像系统的整体架构，我画了张SVG图，方便大家理解：

从这张图可以看出，多光谱成像系统由四个核心模块组成。光源要稳定，光学模块要精准，传感器要灵敏，算法要高效。我在实际项目中见过太多"木桶效应"——有人花大价钱买了顶级传感器，却用了个廉价光源，结果数据噪声大得没法用。

在开始选型之前，我建议你先问自己三个问题：

这三个问题想清楚了，选型方向基本就定了。别急着看参数，先搞清楚需求。我曾经见过一个团队，买了十几万的高光谱相机，结果发现他们只需要区分两种颜色相近的塑料——用两个窄带滤光片加个普通相机就能搞定，成本不到两千块。

我的经验：多光谱选型，80%的功夫在需求分析上。参数表再漂亮，解决不了实际问题就是白搭。先做个小实验验证可行性，再大规模投入，这是最稳妥的路子。

好了，这一章就聊到这。多光谱成像的核心概念、与高光谱的区别、典型应用场景，以及系统架构，我都讲清楚了。下一章我们开始深入讨论波段选择的具体方法。

公众号:蓝海资料掘金营，微信deep3321