机器视觉系统色彩串扰问题解析

在为产品挑选最契合的机器视觉系统时，往往需要权衡不少技术细节。下面我们不妨从几个关键维度出发，梳理一下开发过程中的核心考量。

颜色准确性/差异化

先说说最基础的问题：应用对颜色精度和差异化的要求有多高？在某些场景下，机器视觉相机需要精确区分检测到的颜色与目标值的微小差距。显然，那些追求高精度识别的用户，需要的设备要比只满足于“大概差不多”级别的系统复杂得多。

前面提到过，插值计算和低灵敏度是妨碍颜色精度提升的两大障碍。插值会带来什么后果？因为它是靠周围像素的平均值来推算每个像素的颜色值，这就可能导致颜色检测飘忽不定。当系统试图区分色差极其微妙的两种颜色时，你很难判断：这到底是真实的颜色差异，还是仅仅源于拜耳插值算法导致的数字幻象？

这才是需要警惕的地方。

色彩串扰

色彩串扰的严重程度直接影响相机的颜色还原精度。高级别的串扰，本质上是由拜耳滤波器或二向色棱镜涂层对红、蓝、绿通道的光谱响应存在显著重叠造成的。一旦通道间光谱重叠过多，某些色系——尤其是黄色或者蓝绿色这类——就会产生很大的不确定性。

▲棱镜相机中使用的二向色涂层比拜耳滤光片产生更陡的光谱曲线，以最大限度地减少由色彩串扰引起的不确定性。

当系统需要区分这些颜色的不同色调时，这种不确定性就成了大的麻烦。因此，开发彩色视觉系统时，必须搞清楚哪些颜色对分析至关重要，以及你能接受多大程度的色彩串扰。

光照水平和灵敏度

不同的应用对照明环境和高灵敏度有不同的要求。拜耳、三线和棱镜相机在光线传输方式上截然不同，因此感光灵敏度也有显著差异。

举个例子，拜耳滤光片的材料透光率本身就比不上光学棱镜中使用的高级玻璃，再加上其镶嵌式结构，意味着每个像素只能感应到落在它上面三分之一的波长。根据像素的确切颜色，可能有超过一半的光线被滤光片挡住，根本到不了传感器。

基于系统的实际亮度水平和可接受的增益/噪声容忍度，我们就可以为具体应用挑选最合适的相机了。

▲在拜耳相机中，每个像素上的滤波器阻挡了三分之二的光谱波长，大大减少了从场景中捕获的实际光量。通过三个独立的传感器，棱镜相机捕获与每个像素相关的 100％的光。

白平衡和噪音

任何一个使用颜色的机器视觉应用都绕不开白平衡这个问题。如果不对照明光谱进行准确的基线校正，想要捕获真实颜色简直不可能。不同类型的相机，白平衡的实现方式也各不相同。

拜耳和三线相机只能通过给三个颜色通道中的两个通道增加增益（也就是放大）来平衡白色，目的是匹配响应最高的那个通道。但问题在于：增加增益的同时，不仅信号被放大了，图像中的噪声也被同等放大。再加上整体暗光环境需要的额外增益，噪声水平会变得更棘手。如果应用对超低噪声有要求，那么要么增加可用光线，要么干脆换一种相机类型。

相比之下，棱镜相机可以独立控制每个传感器，包括快门速度和增益。这意味着你可以用快门速度来做白平衡——通过延长两个通道的曝光时间来降低响应，或者缩短响应最快的两个通道的曝光时间。延长曝光时间固然也会提升噪声，但增加的幅度远小于增益放大带来的影响。在某些噪声控制要求极高的应用中，这一点本身就足以成为选用棱镜相机的重要理由。

▲彩色摄像机必须是白平衡的，以避免因照明类型和色温而变色。典型的基于增益的白平衡会增加图像噪声。棱镜相机中可用的基于曝光的方法对图像噪声的影响要小得多。

颜色伪像

颜色伪像本质上就是图像缺陷，通常表现为颜色错误的像素点或图案，根源在于色彩信息推导方式。使用估算或插值来计算颜色的相机，最容易出现这类伪像。

不过，即便是能产生独立R、G、B值（无需插值）的三线性相机，也可能因为梯形失真效应、不平整表面或轻微时序变化引发的空间偏移而出现颜色伪像。而棱镜相机因为有三个独立传感器，且使用单一光学平面捕获图像，出现颜色伪像的风险非常低。

常见的颜色伪像类型主要有以下几种：

颜色混叠

颜色混叠指的是：当拍摄的对象带有特定颜色的线条或边缘时，比如一条深蓝色的对角线，在像素级别检查图像时，边缘处竟然呈现红色或黄色像素。这种情况在拜耳相机中最为常见——因为插值算法会混合周围像素的信息，而这些像素的颜色可能和线条或边缘本身完全不同。

▲当插值沿着线和边缘产生错误着色的像素时，会发生颜色混叠。

莫尔图案

除了在捕获单个边缘或线条时带来麻烦，当图像中包含精细的重复图案时，大规模混叠还会引发莫尔图案。任何要捕捉更高空间频率的相机都可能出现这种现象，但拜耳相机由于依赖插值，更容易中招。

▲具有重复颜色混叠的区域中的人造颜色图案可以出现在拜耳图像中。

对分辨率的影响

确定彩色视觉系统的分辨率时，需要比单色系统更加谨慎。因为色彩技术（比如拜耳插值）会明显降低相机的有效分辨率。一台标称500万像素的拜耳相机，经过插值运算后，大量微小细节会被“平均化”，有效分辨率可能只剩下总像素数的三分之一左右。

根据应用必须检测/分析的最小特征尺寸以及覆盖视野大小，你有两种选择：

① 选择分辨率远高于类似单色系统的拜耳相机。这当然会带来更高的价格、更昂贵的光学器件以及主机上更大的处理负担。

② 选择一台棱镜相机，其基础分辨率大致与单色系统相当。300万像素的棱镜相机实际上是一台3×300万像素的摄像头,三个独立的图像传感器加起来就是900万像素。所以它能够输出24位的300万像素图像，而不会像拜耳相机那样存在分辨率损失。棱镜相机虽然比拜耳相机贵，但和采用900万像素拜耳相机所附带的所有系统成本相比，总账算下来差距并没有想象中那么大。

以上讨论主要针对区域扫描分辨率。线扫描系统的情况有所不同：三线性和棱镜相机都不依赖插值，因此这两种技术的有效分辨率不会有明显下降。不过，线扫描相机相关章节讨论的一些问题，可能会影响到三线性相机区分微小细节的能力——但棱镜相机的单个光学平面不存在这些麻烦。

色彩空间和色彩空间转换

开发系统时，必须确定哪种色彩空间最适合你的应用。具体选择取决于应用的用途和颜色信息的分析方式。

例如，如果只是简单地在屏幕上显示物体，标准RGB色彩空间自然是最直接的，因为所有显示器都是用这种方式构造颜色的。但如果涉及印刷材料，像Adobe RGB这样的色彩空间或许更合适——它能提供更广泛的颜色选择范围，更适合数字印刷。

其他色彩空间，比如HSI（色调、饱和度、强度）以及CIE XYZ或CIE L*a*b*，则利用数学坐标来描述颜色，使某些应用在计算颜色匹配和颜色差异（包括程度和方向）时更为便捷。

在大多数应用中，你会在主机上用算法将来自相机的RGB数据转换为最适合你的色彩空间。但在某些场景下，你可能希望相机直接完成转换，从而让主机处理资源去专注于其他任务。这种情况，选择一款内置色彩空间转换功能的相机就更值得了。

色彩增强和色彩优化

有些情况下，有意改变颜色的准确性反而是有价值的。这时，色彩增强和优化功能就值得纳入开发考量。

比如，要检测图像中的特定偏差，或者把两个对象区分开，有时候增强特定颜色会有奇效。举个例子：增强图像中的红色，血细胞和组织之间的区分就会变得非常明显。

当然，在主机上捕获图像后，可以通过算法增强颜色。但后处理增强的速度会受到原始图像饱和度或对比度的限制。一些相机本身配备了色彩优化功能，允许用户将特定主色或互补色的增强幅度提高到200%（两倍）。系统开发者应当仔细权衡：这样的功能能否为自己的应用增加价值？或者能否帮助系统在竞争中拉开差距？

▲颜色增强功能可以强调图像中的特定颜色。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：机器视觉系统色彩串扰问题解析要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题