8.1 高光谱成像原理¶
高光谱成像（Hyperspectral Imaging）将成像与光谱测量结合，为每个空间像元获取连续、密集的光谱曲线，形成"图像立方体"（Data Cube）。相比传统 RGB 或多光谱成像，高光谱能通过光谱形状和吸收特征实现像素级物质识别与定量分析，是遥感、农业、矿物勘探和工业检测的重要技术手段。
一、核心概念¶
1.1 成像光谱学¶
高光谱成像属于成像光谱学（Imaging Spectroscopy）：在二维空间成像的基础上增加第三维——光谱维，使每个像元 $(x, y)$ 对应一条完整的光谱曲线 $R(\lambda)$。
1.2 数据立方体¶
高光谱数据可表示为三维数组 $H(x, y, \lambda)$：
- 空间维：$x$（行）、$y$（列）——对应场景的二维位置
- 光谱维：$\lambda$（波段）——对应波长或波数
典型尺寸：512×512 空间像元 × 200 波段，单景数据量可达数百 MB 至数 GB。
二、高光谱成像的物理基础¶
2.1 信号来源¶
高光谱成像的信号来自目标对入射辐射的反射（或透射、发射）：
$$L_{sensor}(\lambda) = \frac{1}{\pi} \rho(\lambda) E_{sun}(\lambda) \tau_{atm}(\lambda) + L_{path}(\lambda)$$
其中 $\rho(\lambda)$ 为目标反射率，$E_{sun}$ 为太阳辐照度，$\tau_{atm}$ 为大气透过率，$L_{path}$ 为路径辐射。反射率 $\rho(\lambda)$ 是物质的固有属性，包含分子吸收、散射等光谱特征，是高光谱识别的物理依据。
2.2 光谱特征与物质识别¶
不同物质在特定波长具有吸收峰、反射边等特征（见 2.4 光谱特征与表达）：
| 物质类型 | 典型光谱特征 |
|---|---|
| 植被 | 红边（~700 nm）、水分吸收（970、1450 nm）、叶绿素吸收（450、670 nm） |
| 矿物 | 金属离子吸收（Fe²⁺、Fe³⁺、Al-OH、Mg-OH 等） |
| 水体 | 叶绿素 a（~680 nm）、悬浮物散射、CDOM 吸收 |
| 土壤 | 铁氧化物、黏土矿物、有机质吸收 |
高光谱的密集采样能完整刻画这些特征，实现物质分类与定量反演。
三、高光谱成像的典型实现方式¶
3.1 推扫式（Pushbroom）¶
线阵探测器 + 色散元件（棱镜或光栅）在飞行方向移动，每行同时获取整行空间 × 全光谱：
- 优点：无运动部件（除平台移动），信噪比高
- 代表：机载 AVIRIS、星载 Hyperion、国产高分五号
3.2 摆扫式（Whiskbroom）¶
单点或多点探测器 + 扫描镜，逐像元或逐行扫描，通过滤光轮或可调滤光片切换波段：
- 优点：可覆盖宽视场
- 缺点：每个像元驻留时间短，信噪比受限
3.3 快照式（Snapshot）¶
采用编码孔径、滤光片阵列或计算成像技术，单次曝光获取完整数据立方体：
- 优点：无运动模糊，适合动态场景
- 缺点：空间或光谱分辨率受限，技术复杂度高
四、高光谱与多光谱的界定¶
工程上通常以波段数量和光谱分辨率区分：
| 类型 | 波段数 | 光谱分辨率 | 典型应用 |
|---|---|---|---|
| 全色 | 1 | — | 高空间分辨率成像 |
| 多光谱 | 4–20 | 宽（50–200 nm） | 植被指数、地物分类 |
| 高光谱 | 数十至数百 | 窄（5–20 nm） | 物质识别、定量反演 |
高光谱的"高"体现在光谱维的密集采样，使光谱曲线近似连续，可提取精细吸收特征。
参考资料¶
- Chang, Hyperspectral Data Processing: Algorithm Design and Analysis, Wiley
- Kruse, "Mapping Hydrothermally Altered Rocks", Remote Sensing of Environment, 1988
- Goetz et al., "Imaging Spectrometry for Earth Remote Sensing", Science, 1985
更新时间¶
2026-03-03