1. 颜色误区在印刷、包装、油墨行业一个长期困扰质检工程师的现象是不同厂家的红色油墨在 D65 光源下用 RGB 相机拍摄图像可能完全一致但客户换一个光源、或者换一台色差仪就会判定颜色不一致。这不是相机坏了也不是油墨有问题而是RGB 相机本身获取的信息量太少。1.1 RGB人眼和 RGB 相机都只有三个颜色通道红、绿、蓝本质上是对连续光谱做了三次加权积分R∫λS(λ)⋅rˉ(λ) dλ R \int_{\lambda} S(\lambda) \cdot \bar{r}(\lambda) \, d\lambdaR∫λS(λ)⋅rˉ(λ)dλ其中S(λ)S(\lambda)S(λ)是物体反射的光谱功率分布rˉ(λ)\bar{r}(\lambda)rˉ(λ)是传感器的红色响应函数。绿、蓝同理。问题在于这个积分过程是不可逆的。无数条不同的光谱曲线S(λ)S(\lambda)S(λ)经过积分后可能得到完全相同的(R,G,B)(R, G, B)(R,G,B)三元组。这就是**同色异谱Metamerism**的数学根源。1.2 同色异谱场景RGB 相机结果客户实际感知D65 光源下拍摄两块红色油墨 RGB 值几乎相同看起来一样切换到 A 光源白炽灯仍按 RGB 判断为一致明显偏色判定不合格客户用分光色差仪测量无法提供光谱数据色差 ΔE 超标退货RGB 相机在 D65 下看起来一样是因为它恰好在这一个光源下把两条不同的光谱曲线投影到了同一个点。一旦光源改变投影点就会分开而 RGB 相机无法预知这种分离。结论RGB 是结果光谱才是原因。要彻底解决同色异谱必须跳出 RGB 的三维空间回到连续光谱反射率曲线这个物理本质。这正是高光谱成像Hyperspectral Imaging, HSI要解决的问题。要彻底解决同色异谱必须跳出 RGB 的三维空间回到连续光谱反射率曲线这个物理本质。这正是高光谱成像Hyperspectral Imaging, HSI要解决的问题。2. 高光谱成像2.1 成像原理高光谱成像在可见光到近红外波段约 400–1000 nm内以极窄的波段间隔通常 2–10 nm采集几十到上百个通道的数据。每个像素不再是一个 RGB 三元组而是一条连续的光谱反射率曲线。RGB 相机 每个像素 → (R, G, B) → 3 个数值 高光谱相机每个像素 → (λ1, λ2, ..., λN) → 几十~上百个数值高光谱采集的结果是一个三维数据立方体Data Cube高光谱采集的结果是一个三维数据立方体维度 1空间 X 维度 2空间 Y 维度 3光谱 λ波长通道对于油墨检测我们关心的是每个像素位置上的光谱维度切片即该点油墨的反射率随波长变化的曲线。2.2 采集要点光源建议使用高显色性、光谱平滑的卤素灯或宽谱 LED避免窄带光源引入偏差。标定采集前必须做白板标定和暗电流标定否则反射率曲线会整体偏移。几何45°/0° 或 0°/45° 的照明-观测几何减少镜面反射干扰。稳定性油墨表面若有光泽需控制入射角避免高光饱和。3. 光谱提取这是整个技术方案的关键。从原始高光谱数据到可用的光谱曲线需要经过一条完整的处理链路。3.1 处理流程整个处理链路是一条单向流水线从原始高光谱数据立方体出发先做暗电流与白板标定把原始读数校正到统一基准接着进行反射率计算得到物理意义上的反射率数据然后做ROI 区域分割把油墨区域从背景、纸张和高光中分离出来再对分割出的像素做光谱去噪与平滑抑制近红外端的噪声与条纹随后剔除异常像素如高光饱和点、混入背景的点在此基础上做区域光谱平均得到该油墨的代表性曲线最终输出连续光谱反射率曲线并进入光谱匹配与色差判定环节给出颜色是否一致的结论。原始传感器读数是数字量化值DN必须转换为物理意义上的反射率原始传感器读数是数字量化值DN必须转换为物理意义上的反射率R(λ)Isample(λ)−Idark(λ)Iwhite(λ)−Idark(λ) R(\lambda) \frac{I_{\text{sample}}(\lambda) - I_{\text{dark}}(\lambda)}{I_{\text{white}}(\lambda) - I_{\text{dark}}(\lambda)}R(λ)Iwhite(λ)−Idark(λ)Isample(λ)−Idark(λ)IsampleI_{\text{sample}}Isample样品原始读数IdarkI_{\text{dark}}Idark盖镜头盖采集的暗电流IwhiteI_{\text{white}}Iwhite标准白板读数这一步把相机看到什么变成物体反射多少是后续所有分析的基础。3.3 辐标定位油墨区域需要与背景、纸张、高光区分开。常用方法光谱角匹配SAM先人工框选一小块纯油墨区域作为参考光谱再在全图计算每个像素与参考光谱的夹角夹角小于阈值即判为同类油墨。阈值分割在特定波段如红色油墨在 550–600 nm 吸收谷做阈值。形态学处理去除噪点、填补空洞。上述光谱角匹配的实现思路可以这样理解输入是一个形状为「高 × 宽 × 波段数」的三维数据立方体以及一条人工框选得到的参考光谱长度为波段数。算法先对数据立方体沿波段维度做逐像素的向量归一化即每个像素的光谱向量除以它自身的模长分母加一个极小量避免除零这样就把亮度因素消掉只保留光谱形状参考光谱同样做归一化。接着对每个像素把归一化后的光谱向量与归一化参考向量做逐波段相乘再求和得到两者的余弦值也就是夹角余弦。由于浮点误差可能让余弦略微超出 [-1, 1]需要做一次截断保证数值合法。最后对余弦值取反余弦得到每个像素与参考光谱之间的光谱角单位弧度。整幅图输出一张与空间尺寸同大小的角度图角度越小说明该像素的光谱形状越接近参考油墨据此设定阈值即可完成油墨区域的分割。3.4 光谱降噪高光谱数据在近红外端信噪比下降明显且存在条纹噪声。常用处理Savitzky-Golay 滤波在保留光谱峰谷形状的前提下平滑曲线。小波去噪适合去除高频条纹噪声。波段选择剔除信噪比过低的边缘波段如 400 nm 以下、950 nm 以上。Savitzky-Golay 平滑的实现要点是调用信号处理库中的 Savitzky-Golay 滤波函数对传入的单条光谱曲线做平滑。函数有两个关键参数——窗口长度默认取 11必须是奇数代表参与局部多项式拟合的波段点数和多项式阶数默认取 3代表拟合所用的多项式次数。窗口越长、阶数越低平滑越强但峰谷细节损失越多反之则保留细节但去噪能力下降。函数直接返回平滑后的光谱曲线长度与输入一致可无缝接入后续的平均与匹配流程。3.5 曲线平均单个像素的光谱仍有随机噪声。对 ROI 内所有有效像素的光谱做逐波段平均得到该油墨区域最具代表性的连续光谱反射率曲线Rˉ(λ)1M∑i1MRi(λ) \bar{R}(\lambda) \frac{1}{M} \sum_{i1}^{M} R_i(\lambda)Rˉ(λ)M1i1∑MRi(λ)其中MMM为 ROI 内有效像素数。同时可计算标准差曲线用于评估油墨的均匀性。3.6 特征提取为了消除整体亮度差异、突出光谱形状常做以下处理连续统去除Continuum Removal用包络线归一化突出吸收特征。一阶导数光谱增强吸收峰位置信息对同色异谱更敏感。特征波段提取如红色油墨在 520–580 nm 的吸收谷深度、近红外端的反射平台高度。4. 光谱对比4.1 比对思路RGB 比对的是三个积分值光谱比对的是整条曲线。两条同色异谱的光谱曲线在 RGB 空间可能重合但在光谱空间必然存在差异——差异就藏在那些 RGB 积分看不见的波段里。4.2 相似度度量常用的光谱匹配算法方法公式/含义特点光谱角SAMθarccosa⋅b∣a∣∣b∣\theta \arccos\frac{\mathbf{a}\cdot\mathbf{b}}{|\mathbf{a}||\mathbf{b}|}θarccos∣a∣∣b∣a⋅b对亮度不敏感看形状欧氏距离∣a−b∣2|\mathbf{a} - \mathbf{b}|_2∣a−b∣2简单受亮度影响光谱相关系数Pearson 相关系数衡量曲线线性相关程度光谱信息散度SID基于信息熵的散度对细微形状差异敏感实际工程中建议组合使用SAM 判断形状一致性欧氏距离判断幅值差异两者同时满足才判为同色。4.3 色差换算客户用的是分光色差仪输出的是 CIELAB 色差 ΔE。我们可以用标准观察者函数把光谱反射率曲线转换为 XYZ再转 LabXk∫λR(λ)⋅S(λ)⋅xˉ(λ) dλ X k \int_{\lambda} R(\lambda) \cdot S(\lambda) \cdot \bar{x}(\lambda) \, d\lambdaXk∫λR(λ)⋅S(λ)⋅xˉ(λ)dλ其中S(λ)S(\lambda)S(λ)为光源光谱功率分布xˉ(λ)\bar{x}(\lambda)xˉ(λ)为标准观察者颜色匹配函数。这样就能在任意指定光源下计算色差与客户色差仪的结果直接对齐。把反射率曲线换算为 XYZ 三刺激值的实现思路如下输入包括一条反射率曲线、对应光源的光谱功率分布、三条标准观察者颜色匹配函数分别对应 X、Y、Z以及等长的波长数组。首先用波长数组做数值微分相邻波长差得到每个波段对应的波长间隔用于把离散求和近似为积分。然后计算归一化系数 k取 100 除以「光源 SPD × Y 匹配函数 × 波长间隔」的求和结果这个系数保证完美漫反射白体的 Y 值为 100。接着分别对 X、Y、Z 三个通道把「反射率 × 光源 SPD × 对应匹配函数 × 波长间隔」逐波段相乘后求和再乘以系数 k得到 X、Y、Z 三个三刺激值。最后把这三个值返回即可进一步转换为 Lab 并计算与客户色差仪一致的 ΔE。由于光源 SPD 是外部传入的参数同一组反射率曲线只需换一份光源数据就能在任意指定光源下重算色差。4.4 多光校验真正的严苛颜色还原要求油墨在多种光源下都保持一致。高光谱方案可以采集一次光谱曲线在 D65、A、F11 等多种标准光源下分别计算 Lab 值计算同色异谱指数Metamerism Index, MI只有 MI 小于阈值的油墨才判定为真正一致。这一步是 RGB 相机根本无法完成的——因为它只有一组 RGB 值无法换光源重算。5. 产线落地5.1 系统架构产线系统的数据流是一条从左到右的链路高光谱相机负责成像通过线扫采集方式逐行获取被测物数据汇聚成数据立方体随后进入实时标定与反射率计算模块把原始读数转换为反射率接着做ROI 分割与光谱提取锁定油墨区域并取出代表性光谱曲线再送入光谱匹配引擎与光谱库中的标准曲线比对匹配结果交由色差与同色异谱判定模块输出合格与否的结论最终判定结果上传至MES / 质检系统与生产批次、工单信息关联实现闭环质量管控。5.2 关落地难点数据量线扫高光谱每秒产生数百 MB 数据需要 GPU 加速与流水线处理。速度产线速度要求实时判定需在 ROI 分割和光谱匹配上做算法优化。标定漂移长时间运行需定期白板复标建议每批次自动插入标定帧。模型泛化不同油墨体系溶剂型、UV 型光谱特征不同需建立光谱库。5.3 流程融合高光谱系统作为离线抽检 在线预警的双层机制光谱库持续积累形成企业自己的油墨光谱指纹库与客户色差仪数据做定期比对校准保证判定标准一致。6. 总结RGB 相机在 D65 下看起来一样本质是三通道积分丢失了光谱信息同色异谱因此无法避免。高光谱成像通过采集几十个通道的连续光谱反射率曲线把颜色判定从三个数升级为一条曲线从物理根源上消除了同色异谱带来的误判。核心链路可以概括为标定→ 把 DN 值变成反射率分割→ 锁定油墨区域去噪→ 得到干净的光谱曲线平均→ 提取代表性曲线匹配→ 用光谱角、距离、色差多维度判定多光源验证→ 用同色异谱指数做最终把关。对于颜色要求最严苛的印刷包装场景高光谱不是更贵的 RGB而是换了一个信息维度——它看到的是颜色的物理本质而不是颜色的三通道投影。
1. 颜色误区在印刷、包装、油墨行业一个长期困扰质检工程师的现象是不同厂家的红色油墨在 D65 光源下用 RGB 相机拍摄图像可能完全一致但客户换一个光源、或者换一台色差仪就会判定颜色不一致。这不是相机坏了也不是油墨有问题而是RGB 相机本身获取的信息量太少。1.1 RGB人眼和 RGB 相机都只有三个颜色通道红、绿、蓝本质上是对连续光谱做了三次加权积分R∫λS(λ)⋅rˉ(λ) dλ R \int_{\lambda} S(\lambda) \cdot \bar{r}(\lambda) \, d\lambdaR∫λS(λ)⋅rˉ(λ)dλ其中S(λ)S(\lambda)S(λ)是物体反射的光谱功率分布rˉ(λ)\bar{r}(\lambda)rˉ(λ)是传感器的红色响应函数。绿、蓝同理。问题在于这个积分过程是不可逆的。无数条不同的光谱曲线S(λ)S(\lambda)S(λ)经过积分后可能得到完全相同的(R,G,B)(R, G, B)(R,G,B)三元组。这就是**同色异谱Metamerism**的数学根源。1.2 同色异谱场景RGB 相机结果客户实际感知D65 光源下拍摄两块红色油墨 RGB 值几乎相同看起来一样切换到 A 光源白炽灯仍按 RGB 判断为一致明显偏色判定不合格客户用分光色差仪测量无法提供光谱数据色差 ΔE 超标退货RGB 相机在 D65 下看起来一样是因为它恰好在这一个光源下把两条不同的光谱曲线投影到了同一个点。一旦光源改变投影点就会分开而 RGB 相机无法预知这种分离。结论RGB 是结果光谱才是原因。要彻底解决同色异谱必须跳出 RGB 的三维空间回到连续光谱反射率曲线这个物理本质。这正是高光谱成像Hyperspectral Imaging, HSI要解决的问题。要彻底解决同色异谱必须跳出 RGB 的三维空间回到连续光谱反射率曲线这个物理本质。这正是高光谱成像Hyperspectral Imaging, HSI要解决的问题。2. 高光谱成像2.1 成像原理高光谱成像在可见光到近红外波段约 400–1000 nm内以极窄的波段间隔通常 2–10 nm采集几十到上百个通道的数据。每个像素不再是一个 RGB 三元组而是一条连续的光谱反射率曲线。RGB 相机 每个像素 → (R, G, B) → 3 个数值 高光谱相机每个像素 → (λ1, λ2, ..., λN) → 几十~上百个数值高光谱采集的结果是一个三维数据立方体Data Cube高光谱采集的结果是一个三维数据立方体维度 1空间 X 维度 2空间 Y 维度 3光谱 λ波长通道对于油墨检测我们关心的是每个像素位置上的光谱维度切片即该点油墨的反射率随波长变化的曲线。2.2 采集要点光源建议使用高显色性、光谱平滑的卤素灯或宽谱 LED避免窄带光源引入偏差。标定采集前必须做白板标定和暗电流标定否则反射率曲线会整体偏移。几何45°/0° 或 0°/45° 的照明-观测几何减少镜面反射干扰。稳定性油墨表面若有光泽需控制入射角避免高光饱和。3. 光谱提取这是整个技术方案的关键。从原始高光谱数据到可用的光谱曲线需要经过一条完整的处理链路。3.1 处理流程整个处理链路是一条单向流水线从原始高光谱数据立方体出发先做暗电流与白板标定把原始读数校正到统一基准接着进行反射率计算得到物理意义上的反射率数据然后做ROI 区域分割把油墨区域从背景、纸张和高光中分离出来再对分割出的像素做光谱去噪与平滑抑制近红外端的噪声与条纹随后剔除异常像素如高光饱和点、混入背景的点在此基础上做区域光谱平均得到该油墨的代表性曲线最终输出连续光谱反射率曲线并进入光谱匹配与色差判定环节给出颜色是否一致的结论。原始传感器读数是数字量化值DN必须转换为物理意义上的反射率原始传感器读数是数字量化值DN必须转换为物理意义上的反射率R(λ)Isample(λ)−Idark(λ)Iwhite(λ)−Idark(λ) R(\lambda) \frac{I_{\text{sample}}(\lambda) - I_{\text{dark}}(\lambda)}{I_{\text{white}}(\lambda) - I_{\text{dark}}(\lambda)}R(λ)Iwhite(λ)−Idark(λ)Isample(λ)−Idark(λ)IsampleI_{\text{sample}}Isample样品原始读数IdarkI_{\text{dark}}Idark盖镜头盖采集的暗电流IwhiteI_{\text{white}}Iwhite标准白板读数这一步把相机看到什么变成物体反射多少是后续所有分析的基础。3.3 辐标定位油墨区域需要与背景、纸张、高光区分开。常用方法光谱角匹配SAM先人工框选一小块纯油墨区域作为参考光谱再在全图计算每个像素与参考光谱的夹角夹角小于阈值即判为同类油墨。阈值分割在特定波段如红色油墨在 550–600 nm 吸收谷做阈值。形态学处理去除噪点、填补空洞。上述光谱角匹配的实现思路可以这样理解输入是一个形状为「高 × 宽 × 波段数」的三维数据立方体以及一条人工框选得到的参考光谱长度为波段数。算法先对数据立方体沿波段维度做逐像素的向量归一化即每个像素的光谱向量除以它自身的模长分母加一个极小量避免除零这样就把亮度因素消掉只保留光谱形状参考光谱同样做归一化。接着对每个像素把归一化后的光谱向量与归一化参考向量做逐波段相乘再求和得到两者的余弦值也就是夹角余弦。由于浮点误差可能让余弦略微超出 [-1, 1]需要做一次截断保证数值合法。最后对余弦值取反余弦得到每个像素与参考光谱之间的光谱角单位弧度。整幅图输出一张与空间尺寸同大小的角度图角度越小说明该像素的光谱形状越接近参考油墨据此设定阈值即可完成油墨区域的分割。3.4 光谱降噪高光谱数据在近红外端信噪比下降明显且存在条纹噪声。常用处理Savitzky-Golay 滤波在保留光谱峰谷形状的前提下平滑曲线。小波去噪适合去除高频条纹噪声。波段选择剔除信噪比过低的边缘波段如 400 nm 以下、950 nm 以上。Savitzky-Golay 平滑的实现要点是调用信号处理库中的 Savitzky-Golay 滤波函数对传入的单条光谱曲线做平滑。函数有两个关键参数——窗口长度默认取 11必须是奇数代表参与局部多项式拟合的波段点数和多项式阶数默认取 3代表拟合所用的多项式次数。窗口越长、阶数越低平滑越强但峰谷细节损失越多反之则保留细节但去噪能力下降。函数直接返回平滑后的光谱曲线长度与输入一致可无缝接入后续的平均与匹配流程。3.5 曲线平均单个像素的光谱仍有随机噪声。对 ROI 内所有有效像素的光谱做逐波段平均得到该油墨区域最具代表性的连续光谱反射率曲线Rˉ(λ)1M∑i1MRi(λ) \bar{R}(\lambda) \frac{1}{M} \sum_{i1}^{M} R_i(\lambda)Rˉ(λ)M1i1∑MRi(λ)其中MMM为 ROI 内有效像素数。同时可计算标准差曲线用于评估油墨的均匀性。3.6 特征提取为了消除整体亮度差异、突出光谱形状常做以下处理连续统去除Continuum Removal用包络线归一化突出吸收特征。一阶导数光谱增强吸收峰位置信息对同色异谱更敏感。特征波段提取如红色油墨在 520–580 nm 的吸收谷深度、近红外端的反射平台高度。4. 光谱对比4.1 比对思路RGB 比对的是三个积分值光谱比对的是整条曲线。两条同色异谱的光谱曲线在 RGB 空间可能重合但在光谱空间必然存在差异——差异就藏在那些 RGB 积分看不见的波段里。4.2 相似度度量常用的光谱匹配算法方法公式/含义特点光谱角SAMθarccosa⋅b∣a∣∣b∣\theta \arccos\frac{\mathbf{a}\cdot\mathbf{b}}{|\mathbf{a}||\mathbf{b}|}θarccos∣a∣∣b∣a⋅b对亮度不敏感看形状欧氏距离∣a−b∣2|\mathbf{a} - \mathbf{b}|_2∣a−b∣2简单受亮度影响光谱相关系数Pearson 相关系数衡量曲线线性相关程度光谱信息散度SID基于信息熵的散度对细微形状差异敏感实际工程中建议组合使用SAM 判断形状一致性欧氏距离判断幅值差异两者同时满足才判为同色。4.3 色差换算客户用的是分光色差仪输出的是 CIELAB 色差 ΔE。我们可以用标准观察者函数把光谱反射率曲线转换为 XYZ再转 LabXk∫λR(λ)⋅S(λ)⋅xˉ(λ) dλ X k \int_{\lambda} R(\lambda) \cdot S(\lambda) \cdot \bar{x}(\lambda) \, d\lambdaXk∫λR(λ)⋅S(λ)⋅xˉ(λ)dλ其中S(λ)S(\lambda)S(λ)为光源光谱功率分布xˉ(λ)\bar{x}(\lambda)xˉ(λ)为标准观察者颜色匹配函数。这样就能在任意指定光源下计算色差与客户色差仪的结果直接对齐。把反射率曲线换算为 XYZ 三刺激值的实现思路如下输入包括一条反射率曲线、对应光源的光谱功率分布、三条标准观察者颜色匹配函数分别对应 X、Y、Z以及等长的波长数组。首先用波长数组做数值微分相邻波长差得到每个波段对应的波长间隔用于把离散求和近似为积分。然后计算归一化系数 k取 100 除以「光源 SPD × Y 匹配函数 × 波长间隔」的求和结果这个系数保证完美漫反射白体的 Y 值为 100。接着分别对 X、Y、Z 三个通道把「反射率 × 光源 SPD × 对应匹配函数 × 波长间隔」逐波段相乘后求和再乘以系数 k得到 X、Y、Z 三个三刺激值。最后把这三个值返回即可进一步转换为 Lab 并计算与客户色差仪一致的 ΔE。由于光源 SPD 是外部传入的参数同一组反射率曲线只需换一份光源数据就能在任意指定光源下重算色差。4.4 多光校验真正的严苛颜色还原要求油墨在多种光源下都保持一致。高光谱方案可以采集一次光谱曲线在 D65、A、F11 等多种标准光源下分别计算 Lab 值计算同色异谱指数Metamerism Index, MI只有 MI 小于阈值的油墨才判定为真正一致。这一步是 RGB 相机根本无法完成的——因为它只有一组 RGB 值无法换光源重算。5. 产线落地5.1 系统架构产线系统的数据流是一条从左到右的链路高光谱相机负责成像通过线扫采集方式逐行获取被测物数据汇聚成数据立方体随后进入实时标定与反射率计算模块把原始读数转换为反射率接着做ROI 分割与光谱提取锁定油墨区域并取出代表性光谱曲线再送入光谱匹配引擎与光谱库中的标准曲线比对匹配结果交由色差与同色异谱判定模块输出合格与否的结论最终判定结果上传至MES / 质检系统与生产批次、工单信息关联实现闭环质量管控。5.2 关落地难点数据量线扫高光谱每秒产生数百 MB 数据需要 GPU 加速与流水线处理。速度产线速度要求实时判定需在 ROI 分割和光谱匹配上做算法优化。标定漂移长时间运行需定期白板复标建议每批次自动插入标定帧。模型泛化不同油墨体系溶剂型、UV 型光谱特征不同需建立光谱库。5.3 流程融合高光谱系统作为离线抽检 在线预警的双层机制光谱库持续积累形成企业自己的油墨光谱指纹库与客户色差仪数据做定期比对校准保证判定标准一致。6. 总结RGB 相机在 D65 下看起来一样本质是三通道积分丢失了光谱信息同色异谱因此无法避免。高光谱成像通过采集几十个通道的连续光谱反射率曲线把颜色判定从三个数升级为一条曲线从物理根源上消除了同色异谱带来的误判。核心链路可以概括为标定→ 把 DN 值变成反射率分割→ 锁定油墨区域去噪→ 得到干净的光谱曲线平均→ 提取代表性曲线匹配→ 用光谱角、距离、色差多维度判定多光源验证→ 用同色异谱指数做最终把关。对于颜色要求最严苛的印刷包装场景高光谱不是更贵的 RGB而是换了一个信息维度——它看到的是颜色的物理本质而不是颜色的三通道投影。
)
