为什么高光谱成像优于RGB和多光谱成像

光谱学是研究物质与电磁辐射的相互作用随辐射频率变化的学科。不同的材料会因其化学和物理特性而吸收或反射这种辐射，从而产生独特的光谱特征。由于每种材料都有不同的光谱特征，该数据不仅有可能将特定材料与其他材料分开(定性光谱)，而且还可以对分析对象进行定量说明。光谱仪最初是一维点传感器，但最近的光谱仪已经从点到像素，使光谱成像成为可能，并使我们能够检查化学成分、材料或数量差异的空间分布。

高光谱成像，也称为成像光谱学，在大量光谱带中同时获取图像，因此对于所得图像的每个像素，都可以导出连续的反射光谱。这些测量的输出被收集在光谱数据立方体中，并且是数据处理、建模或机器学习算法的输入。传统上，高光谱成像只是关于可用于数据分析的光谱带的数量。然而，如今对高光谱成像仪的要求更多，包括便携性、灵活性、实时数据访问和分析以及视频光谱。这些特征表征了成像光谱学的当前驱动因素。

多光谱成像(左)与高光谱成像(右)的比较。多光谱成像捕获有限数量的离散波长，而高光谱成像捕获连续光谱

自20世纪80年代初以来，高光谱成像促成了一系列用于确定各种特征的窄带指数和光谱特征拟合方法的发展。这些指数允许检索特定信息，例如活力状态、叶绿素含量、水分含量、干物质或叶面积指数，仅举几个对农业或林业有价值的参数。这些指数中的大多数都是基于对特定问题的研究，因此它们使用了不同波长的整个范围。然而，高光谱相机可以同时执行多项此类分析，而不是像NDVI那样专注于一个指标，就像多光谱相机所做的那样。这种能力可帮助客户使用同一台相机执行一系列应用。 如今，机器学习算法可以使用高光谱或多光谱数据集进行训练。这些算法旨在找出各种材料光谱特征的具体差异。由于高光谱数据集提供了更多的光谱细节，机器学习算法从这些高光谱数据集中受益匪浅。这导致分类器的特异性更高。