全色、多光谱、高光谱和超广谱
全色、多光谱、高光谱和超广谱
光谱成像技术是现代遥感和摄影领域的重要技术之一，它通过捕捉不同波段的光谱信息，为科学研究和实际应用提供了丰富的数据支持。本文将详细介绍全色、多光谱、高光谱和超广谱等不同光谱成像技术的原理和应用，帮助读者更好地理解这一领域的基础知识。
一、光谱划分
1.紫外光谱
波段范围：波长小于可见光，通常分为真空紫外区（小于 200nm）、远紫外区（200 - 300nm）、近紫外区（300 - 380nm）。
特性与应用：许多物质在紫外区有特征吸收或发射光谱，可用于物质的定性和定量分析，如有机化合物的结构鉴定、药物分析等。此外，在天文学中，紫外光谱可用于研究高温天体和星际物质。
2.可见光谱（nm级）
波段范围：波长范围大约在 380 - 780nm 之间，人眼可以直接观察到这个波段的光。其中，又可细分为紫光（380 - 420nm）、蓝光（420 - 450nm）、青光（450 - 490nm）、绿光（490 - 560nm）、黄光（560 - 590nm）、橙光（590 - 620nm）、红光（620 - 780nm）。
特性与应用：不同颜色的光对应不同的波长范围，人类通过眼睛对可见光的感知来识别物体的颜色和形状。在摄影、显示技术、照明等领域有广泛应用，如彩色相机通过捕捉可见光不同波段的信息合成彩色图像，显示屏通过发出不同颜色的可见光来显示图像和文字。
3.红外光谱（um级）
波段范围：波长大于可见光，一般分为近红外区（780 - 1500nm）、中红外区（1500 - 10000nm）、远红外区（10000 - 1000000nm）。
特性与应用：红外光具有热效应，物体在常温下就会发出红外辐射。红外光谱可用于研究分子的振动和转动能级跃迁，从而分析物质的化学结构和化学键信息，在化学、材料科学、生物医学等领域有重要应用，如红外光谱仪可用于鉴定有机化合物的官能团、分析材料的化学键组成等。在遥感领域，可通过红外波段探测地表物体的温度分布、植被生长状况等。
4.微波光谱（mm级）
波段范围：波长范围约为 1mm - 1m，对应的频率范围为 300MHz - 300GHz。
特性与应用：微波与物质相互作用时，会引起物质内部的极化和转动等现象，可用于研究分子的结构和动力学特性，特别是对大分子和分子团簇的研究。在通信领域，微波被广泛用于无线通信、卫星通信等；在雷达技术中，利用微波的反射特性来探测目标物体的位置、速度和形状等。
5.无线电光谱（m级）
波段范围：波长大于 1m，频率低于 300MHz，是波长最长的光谱区域。
特性与应用：无线电波具有较强的穿透能力和绕射能力，可在大气和空间中远距离传播。在通信领域，无线电广播、电视信号传输、移动通信等都依赖于无线电波。此外，在天文学中，通过射电望远镜接收来自天体的无线电波，可以研究星系、恒星、星云等天体的物理性质和演化过程。
二、全色相机获取单波段光谱，图像呈灰度图。
1.色彩形成原理
全色相机是一种对整个可见光波段（通常是 380 - 760nm）都敏感的相机。人眼能够看到彩色是因为人眼中有三种视锥细胞，分别对红、绿、蓝三种颜色敏感，大脑根据这三种细胞接收到的不同强度信号组合来感知颜色。 而全色相机获取单波段图像时，它没有像人眼那样区分不同颜色波段的功能。它记录的是整个可见光波段的总亮度信息，没有色彩信息的区分。
2.灰度图像的形成
当全色相机获取单波段图像时，所有波长的光被综合考虑，只记录光的强度。在图像处理中，将这个强度值以灰度来表示。例如，较亮的区域表示光强度高，较暗的区域表示光强度低。 灰度值的范围通常是 0（黑）到 255（白），中间的灰度值表示不同程度的灰色。由于没有对不同颜色波段进行分离，所以不会呈现出特定的彩色（如绿色或红色），而是以灰色来显示整个场景的亮度变化。
3.与彩色相机对比
彩色相机通过在传感器前放置彩色滤光片（如拜耳滤光片）来分离红、绿、蓝三种颜色波段，这样就能获取不同颜色通道的信息，然后通过插值等算法将这些信息组合起来，最终形成彩色图像。而全色相机缺少这种分离颜色波段的机制，所以只能得到灰色的单波段图像。
三、多光谱获取多波段光谱，图像呈彩色图
1.不同波段对应不同颜色信息
多波段图像数据中包含了多个不同波长范围的波段信息，每个波段都对应着特定的光谱范围和颜色特征。比如在可见光波段中，红、绿、蓝是三种基本颜色，多波段数据中会有对应的红色波段、绿色波段和蓝色波段等，通过对这些不同波段的信息进行提取和组合，就可以形成彩色图像 。
2.彩色合成技术的应用
通过特定的彩色合成算法，将多个波段的图像数据进行融合处理，生成彩色图像。常见的方法是选择三个波段，分别赋予红、绿、蓝三种颜色，然后按照一定的比例和规则进行叠加合成，从而得到彩色的图像。例如，在遥感领域，常用的真彩色合成是将红波段、绿波段、蓝波段分别对应到 RGB 颜色通道，得到接近人眼观察自然景物的真实彩色图像；而假彩色合成则是根据不同的研究目的和地物特征，选择其他波段组合并赋予 RGB 颜色，以突出特定地物或显示一些人眼无法直接看到的信息，如将近红外波段赋予红色通道，红色波段赋予绿色通道，绿色波段赋予蓝色通道，可以突出植被的信息，因为植被在近红外波段有较高的反射率。
3.数据处理与增强
在多波段图像的获取和处理过程中，还会进行一系列的数据处理和增强操作，以优化图像的质量和色彩表现。如对每个波段的图像进行对比度调整、灰度拉伸等，使不同地物之间的差异更加明显，色彩更加鲜艳和易于区分。同时，还可以进行滤波、降噪等处理，减少图像中的噪声和干扰，提高图像的清晰度和准确性，从而更好地显示彩色图像和提取有用信息。
四、高光谱的光谱维度
1.理解高光谱数据的三维结构
高光谱数据通常是一个三维的数据立方体。其中，X 轴和 Y 轴代表空间维度，用于表示图像的平面位置，就像普通的二维图像一样，确定地物在图像中的水平和垂直位置。而Z 轴代表光谱维度，用于表示不同波长的光谱信息。
2.光谱曲线查看
对于高光谱数据中的每个像素点，都可以沿着 Z 轴提取出一条光谱曲线。这条曲线展示了该像素点在不同波长下的反射率（或辐射亮度等）信息。例如，在遥感领域，通过查看光谱曲线，可以了解该像素所代表的地物类型。不同地物（如植被、水体、土壤、人造建筑等）具有不同的光谱特征，其光谱曲线形状和反射率峰值位置等都有所不同。 通常使用光谱分析软件来绘制和查看这些光谱曲线。软件可以将每个像素的光谱曲线在一个二维坐标系中展示，横坐标为波长（代表 Z 轴的光谱信息），纵坐标为反射率等光谱测量值。
3.光谱波段比较
沿着 Z 轴，可以比较不同光谱波段下的图像。例如，选择两个不同的波长波段，查看在这两个波段下高光谱图像的差异。这有助于突出特定地物的特征。比如，在植被研究中，比较近红外波段和红光波段的图像，因为植被在近红外波段有高反射率，在红光波段有低反射率，通过这种对比可以更好地识别植被的分布和健康状况。
中科西光05卫星高光谱图像
4.光谱数据统计分析
从 Z 轴方向，可以对光谱数据进行统计分析。例如，计算每个波段的平均值、标准差等统计参数。这些统计信息可以帮助了解整个高光谱数据集的光谱分布特征。如果一个波段的标准差较大，说明在这个波段下，图像中的地物反射率差异较大，可能更有利于区分不同地物。
5.光谱维度的特征提取
利用 Z 轴上的光谱信息进行特征提取。例如，主成分分析（PCA）可以在光谱维度上对高光谱数据进行降维和特征提取。PCA 将高光谱数据在光谱维度（Z 轴）上进行线性变换，提取出最能代表数据变化的几个主成分，这些主成分是原始光谱波段的线性组合，有助于简化数据结构，同时保留重要的光谱信息，便于后续的分类和识别等操作。