高光谱成像技术是一项令人振奋的新技术，非常有前景，尤其是结合现代机器学习软件和执行器（如：机器人或空气喷气机）使用时，高光谱成像技术有能力革新工业分类方法，使机器能够执行人类难以完成的复杂任务。
图1：农场的高光谱假彩色图像（左），指定区域的反射光谱曲线（右）
什么是高光谱成像仪？
高光谱成像技术指的是测量二维图像中每个像素的高分辨率光谱数据。标准相机在每个像素上提供三个光谱数据通道：红、绿、蓝（RGB），视觉者的大脑输入了这三种颜色的混合颜色，并将它们解释为一种独特的颜色。在高光谱图像中，材料的反射光谱是连续的波长曲线，每个像素上有数百个光谱数据点，它是光谱学的一种，标准光谱仪只提供一个“像素”的光谱测量-没有成像信息。多光谱成像仪指的是每个像素提供几个光谱数据通道的照相机，通道数通常在4-12之间。“高光谱”这个术语指的是：许多光谱数据点，它们产生一个近乎连续的光谱曲线，通常在每条曲线上有数百个光谱数据通道。然而，高光谱成像仪的设计和制造要比非成像光谱仪复杂得多，因为二维图像中每个像素点都需要有连续的光谱曲线，而且最小化光谱失真一直是一个非常困难的光学问题。
图1显示了一个农场的高光谱假彩色图像以及指定区域像素的高光谱曲线；图2显示了相同的高光谱数据，但是光谱通道数降低至4个，4个光谱通道的数据类似于Landsat卫星获得的数据，可以直观的看出图1的数据比图2包含了更多的光谱信息，从而能够对场景中的对象进行更加精准、可靠的分类。
图2：与图1相同像素区域的多光谱数据，光谱波段与Landsat卫星影像波段一致
高光谱成像仪越来越受欢迎的主要原因：
1. 随着科技发展，相机越来越普及，而且拍照速度越来越快；
2. 计算机可以提供足够的计算能力来处理大量数据；
3. 结合现代的机器学习算法，科学家可以利用高光谱数据准确识别材料，甚至那些看起来非常相似的材料。
基于不同的材料具有不同的反射光谱这个事实，使得这项技术具有很强的实用性，在研究和工业应用中发展迅速。
高光谱成像技术的应用：
农业应用
农业方面，不同植物有不同的光谱，相同植物在不同条件下光谱也有差异。例如，高光谱数据可以用来提醒农民作物胁迫或有害杂草的早期迹象，也可以确定成熟度。高光谱成像技术在精准农业和环境监测方面的应用越来越多，相信在不久的将来，会有质的飞跃。
确定光谱特征和植物生理特征参数的准确关系是全球性研究的一部分，这使定点使用除草剂、农药和化肥成为可能。这种作物管理技术会让农民有针对性的定量使用化肥，节省成本，并获取更大收益。因此，高光谱技术获得了强有力的体制支撑，尤其是将食品供应和环境保护作为核心问题的亚洲。
工业应用
相比于野外农田和森林，工厂的环境更好控制，因此，高光谱成像在工业分类中的应用越来越广泛。传统的视觉系统很难对具有相似颜色或外观的物体进行分类，如：很难辨别具有相似颜色的果实、蔬菜或与组成其可见颜色无关的材料（如再生塑料）。当标准视觉系统分类失败时，这些分类工作只能由人工来完成，价格高昂、速度慢、错误率高。
应用高光谱成像技术，不仅可以利用高光谱数据去分类相似颜色的材料，也可以获取可见光范围以外的信息，如红外和紫外波段。实时的机器学习算法可以秒级处理数据并且传递这些信息至机器人手臂或空气喷气机等执行器上完成分类工作。
软件及算法
虽然相机的设计和制造在技术上具有挑战性，但研发出可靠的用于工业分类的高光谱分析软件是机遇，也是挑战。由于深层机器学习知识伴随在广泛应用的简单算法中，高光谱机器视觉软件开发是一项令人兴奋的科技领域。
光谱图像数据分析的传统方法是使用植被指数或光谱指数的概念，俗称波段组合，这些指数是每个像元的指标，通过测量几个指定波段的光谱强度，再由简单代数组合计算得出。例如，最常见的植被指数（NDVI）即归一化差分植被指数，最早用于多光谱遥感影像中，给定每个像素的全反射光谱，可以在每个像素中提取NDVI指数。
NIR是指红外波段（750nm左右）反射率，Red指红光波段（650nm）反射率，NDVI的值在-1.0—1.0之间。NDVI的大小是衡量植物健康状况的重要指标。NDVI非常适用于早前的多光谱相机，如Landsat卫星影像，每个像素点记录4个光谱通道（红绿蓝及近红外）。
NDVI可以粗略估计植物健康状况，机载高光谱成像传感器问世后，涌现出许多更精确的新光谱指数，如测量植物叶绿素含量的指数，修改叶绿素吸收反射的指数(MCARI),
衡量植物花青素含量的指数，花青素反射指数ARI2：
图3：与图1相对应的修改叶绿素吸收反射指数MCARI分布图
图3显示了与图1相对应的修改叶绿素吸收反射指数MCARI分布图。途中高亮区域代表MCARI值高，意味着叶绿素活性高，黑暗区代表低值。
这些指数最初是为农业和环境监测而开发的，现在已扩展到医学、水质、生物和地质等多个领域。在医学中，研究者会利用与水和氧有关的指数来确定手术过程中人体肌肉组织的特性。
虽然指数是有用的工具，但是它们只包含了整个连续波长曲线的小部分信息。高光谱数据携带的信息要远多于几个波段的信息，并且可以根据要求诞生出不同的光谱指数。这意味着整个波段的统计方法会产生更可靠的分类效果，这也是先进的视觉应用程序所使用的方法。
机器视觉算法通过统计方法，利用整个光谱进行更精准的植物或材料的分类，如：支持向量机（SVM）和神经网络 (CNN)，在高光谱分类中取得了显著的成绩。特别是结合了空间识别算法后，高光谱机器视觉可以作为计算机敏锐的眼睛，广泛应用于食品、材料、颜料、图案、涂层、缺陷和污染物等识别工作。
前途一片光明
尽管高光谱成像技术仍处于起步阶段，但是相对于传统成像系统来说，可以提供更丰富的数据，这是它的明显优势。更值得一提的是，该技术的数据采集、处理速度和计算复杂度，已经被许多实际应用所克服。随着高光谱成像技术的不断改进，用户将逐渐认识到高光谱成像技术的能力，该技术将在更大尺度上帮助用户解决之前难以攻克的问题，高光谱成像技术将会大放异彩。