1.1 高光谱产品¶

高光谱成像仪（Hyperspectral Imager / Imaging Spectrometer）在二维空间成像的同时，为每个像元获取数十至数百个连续窄波段的光谱信息，形成"图像立方体"（Data Cube）。与 RGB 相机或多光谱相机相比，高光谱能通过完整的光谱曲线形状辨别物质成分，是肉眼和普通相机无法完成的"化学成分成像"任务。

一、产品能力定位¶

能力层次	问题描述	高光谱的答案
定性识别	"这是什么材质？"	光谱指纹匹配（与光谱库比对）
定量分析	"含量是多少？"	光谱特征峰强度 → 浓度回归模型
空间制图	"哪个区域有异常？"	全图逐像元光谱分类/解混
混合分解	"像元内有几种成分？"	线性解混（端元提取 + 丰度反演）

二、典型产品形态¶

产品形态	光谱范围	波段数（典型）	空间像元数	典型应用
机载推扫式 VNIR 仪	400~1000 nm	150~300	1000~2000 像元/行	农业、植被、水质遥感
机载推扫式 SWIR 仪	900~2500 nm	200~350	320~1000 像元/行	矿物勘探、烃类探测
无人机轻型高光谱	400~2500 nm 分段	60~270	512~1024 像元/行	精准农业、小区域制图
工业线扫仪	定制，VIS/NIR/SWIR	100~500	512~4096 像元/行	食品分选、药品均匀性、半导体
实验室台式成像仪	400~1700 nm（常见）	全谱连续	相机分辨率决定	样品分析、科研
手持点光谱仪	350~2500 nm	N/A（点测量）	单点	矿物野外快速鉴定

推扫式（Pushbroom）是目前领域主流，一次采集整行（空间维），随平台运动逐行积累形成图像。相比摆扫式（Whiskbroom），推扫式 SNR 更高，无运动部件（光学稳定）。

三、关键技术参数¶

参数	含义	典型指标范围
波段数	光谱维离散采样数量	工业：50~150；科研：150~500+
光谱分辨率（FWHM）	相邻两可分辨谱线的最小间隔	2.5~15 nm（VNIR）；5~20 nm（SWIR）
光谱范围	覆盖波长区间	VNIR：380~1000 nm；SWIR：900~2500 nm
空间像元数	沿缝隙方向的像元列数	320~4096
光谱微笑（Smile）	同波长在不同空间位置的波长偏移	< 0.3 像元（工业级）
关键石（Keystone）	同空间点在不同波段的位移	< 0.5 像元
信噪比（SNR）	特定辐亮度下的信噪比	≥ 200:1（有效探测要求）
帧频	推扫速率（行/秒）	30~300 fps（需与平台速度匹配）
暗电流	无光信号时的热噪声电子数	制冷型 < 100 e⁻/pixel/s

四、核心组件与光路¶

入射光 → 前置物镜 → 入射狭缝（Slit）→ 准直镜
    → 色散元件（棱镜/光栅/棱镜-光栅-棱镜 PGP）
    → 聚焦镜 → 二维探测器（行：空间维；列：光谱维）

色散元件的选择影响光谱线性、杂散光水平和色散角： - 光栅（Grating）：色散均匀，体积小，主流方案；需注意高阶衍射杂散光 - 棱镜（Prism）：色散非线性（短波密，长波疏），杂散光低，适合宽波段 - PGP（棱镜-光栅-棱镜）：结合两者优点，直视结构，便于集成；国内常见

探测器材料选择决定波段： - Si CCD/CMOS：400~1100 nm（VNIR） - InGaAs：900~1700 nm（标准），可扩展至 2500 nm（长波 InGaAs） - MCT（碲镉汞）：2.5~14 μm（中/长波红外，需制冷）

五、数据处理流程（简要）¶

L0 原始 DN
    ↓ 暗场减除 + 平场归一化（相对辐射校正）
    ↓ 辐射定标（DN → 辐射亮度 / 反射率）
    ↓ 几何纠正（机载：POS 辅助；地面：畸变矫正）
L1 正射反射率数据立方体
    ↓ 降维（PCA/MNF）→ 分类/解混/指数计算
专题产品（分布图 / 丰度图）

六、市场定位与选型要点¶

波段优先：不同任务所需波段范围不同。矿物勘探必须覆盖 SWIR（2000~2500 nm 的 OH 键吸收带）；植被分析 VNIR（400~900 nm）即可；水质遥感聚焦 400~700 nm 蓝绿波段。

SNR 与像元尺寸：大像元（如 25 μm）信噪比高，但空间分辨率低。低照度或弱吸收信号场景（如气体探测）优先选大像元或制冷探测器。

Smile/Keystone 校正：工业在线检测对光谱一致性要求极高，采购前需要求厂商提供测量报告并在系统端做数字校正。

定标溯源：用于定量应用时（浓度反演、辐射测量），务必要求厂商提供国家计量溯源的绝对辐射定标服务（积分球标定 + 定标系数）。

参考资料¶

第 8.1~8.4 节：高光谱成像原理与数据处理
Chang, Hyperspectral Data Processing: Algorithm Design and Analysis, Wiley, 2013
USGS Digital Spectral Library：https://crustal.usgs.gov/speclab/

更新时间¶

2026-03-03