看見你真實的色彩－多頻譜影像擷取技術

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

• 文／邵思齊，現就讀臺大地質科學系，著迷於大自然的鬼斧神工。

現代的人們生活在充滿明亮人造光源的城鎮中，難以想像純粹的夜空是什麼樣子。對宇宙中天體的印象，多半來自各地天文台與太空望遠鏡所捕捉的絢麗星雲、星團、星系。但這些影像中的顏色是真實的嗎？如果我們能夠用肉眼看到這些天體，它們的顏色真能如影像中如此的五彩繽紛嗎？

色彩的起源：為什麼人眼能看到顏色？

電磁波跨越各種尺度的波段，有波長遠小於 1 奈米的伽瑪射線，也有波長數百公里長的無線電波。但人類眼睛中的的感光細胞僅能感測到波長介於 400-700 奈米之間的電磁波，也就是僅有這段電磁波能夠以紅到紫的色彩出現在人類的視野當中，所以我們對外界的認知就受限於這小一段稱為可見光（Visible Light）的視窗。人之所以能夠辨識不同的顏色，靠的是人眼中的視錐細胞。視錐細胞分成 S、M、L 三種，分別代表 short, medium, long，其感測到的不同波長的光，大致可對應到藍色、綠色、紅色。

肉眼可以，那相機呢？

在還沒有電子感光元件的時代，紀錄影像的方法是透過讓底片中的銀離子曝光、沖洗後，變成不透光的金屬銀（負片），但這樣只能呈現出黑白影像。於是，歷經長時間的研究與測試，有著三層感光層的彩色底片誕生了。它的原理是在不同感光層之間加上遮色片，讓三層感光片能夠分別接收到各自顏色的光線。最常使用的遮色片是藍、綠、紅三色。進入數位時代，電子感光元件同樣遇到了只有明暗黑白、無法分辨色彩的問題，但這次，因為感光元件無法透光，不能像底片一樣分層感光，工程師們只好另闢蹊徑。

於是專為相機感光元件量身打造的拜爾濾色鏡（Bayer Filter）誕生了，也就是由紅色、綠色、藍色三種方形濾光片相間排列成的馬賽克狀濾鏡，每一格只會讓一種顏色通過，如此一來，底下的感光元件就只會接收到一種顏色的光。接著，再把相鄰的像素數值相互內插計算，就可以得到一張彩色影像。由於人的視錐細胞對綠色特別敏感，因此拜爾濾色鏡的設計中，綠色濾光片的數量是其他顏色的兩倍。

這種讓各個像素接收不同顏色資訊的做法，雖然方便快速，卻需要好幾個像素才能還原一個區塊的顏色，因此會大幅降低影像解析度。這對寸解析度寸金的天文研究來說，非常划不來，畢竟我們既想得知每個像素接收到的原始顏色，又想獲得以像素為解析單位的最佳畫質，盡可能不要損失任何資訊。

要怎麼讓每個像素都能獨立呈現接收到的光子，而且還能夠完整得到顏色的資訊呢？最好的方法就是在整塊感光元件前加上一塊單色的濾色鏡，然後輪流更換不同的濾色鏡，一次只記錄一種顏色的強度。然後，依照濾鏡的波段賦予影像顏色，進行疊合，得到一張還原真實顏色的照片。如此一來，我們就能用較長的拍攝時間，來換取最完整的資訊量。以天文研究來說，這種做法更加划算。

另外，由於視錐細胞並不是只對單一波長的光敏感，而是能夠接收波長範圍大約數百奈米寬的光，因此若是要還原真實顏色的影像，人們通常會使用寬頻濾鏡（Broadband filter），也就是波段跨足數百奈米的濾鏡進行拍攝。

美麗之外？濾鏡的科學妙用

雖然還原天體的真實顏色是個相當直覺的作法，但既然我們有能力分開不同的顏色，當然就有各式各樣的應用方法。當電子從高能階躍遷回到低能階，就會釋放能量，也就是放出固定波長的電磁波。若是受到激發的元素不同，電子躍遷時放出的電磁波波長也會隨之改變，呈現出不同顏色的光。

如果我們在拍攝時，可以只捕捉這些特定波長的光，那我們拍出的照片，就代表著該元素在宇宙中的分佈位置。對天文學家來說，這是相當重要的資訊。因此，我們也常使用所謂的窄頻濾鏡（Narrowband filter），只接收目標波段周圍數十甚至數個奈米寬的波長範圍。常見的窄頻濾鏡有氫（H）、氦（He）、氮（N）、氧（O）、硫（S）等等。

有時候，按照原本的顏色疊合一組元素影像並不是那麼妥當，例如 H-alpha（氫原子）和 N II（氮離子）這兩條譜線，同樣都是波長 600 多奈米的紅色光，但如果按照它們原本的波長，在合成影像時都用紅色表示，就很難分辨氫和氮的分布狀態。這時候，天文學家們會按照各個元素之間的相對波長來配製顏色。

以底下的氣泡星雲（Bubble Nebula, NGC7635）為例，波長比較長的 N II 會被調成紅色，相對短一點的 H-alpha 就會調成綠色，而原本是綠色的 O III 氧離子則會被調成藍色。如此一來，我們就可以相對輕鬆地在畫面中分辨各個元素出現的位置。缺點是，如果我們真的用肉眼觀測這些天體，看到的顏色就會跟圖中大不相同。

當然，這種人工配製顏色的方法也可以用來呈現可見光以外的電磁波，例如紅外線、紫外線等。舉哈伯太空望遠鏡的代表作「創生之柱」為例，他們使用了兩個近紅外線波段，比較長波的 F160W 在 1400~1700nm，比較短的 F110W在900~1400nm，分別就被調成了黃色和藍色。星點發出的紅外光穿越了創生之柱的塵埃，與可見光疊合的影像比較，各有各的獨特之處。

望遠鏡接收來自千萬光年外的天體光線，一顆一顆的光子累積成影像上的點點像素，經過科學家們的巧手，成為烙印在人們記憶中的壯麗影像。有些天體按照他們原始的顏色重組，讓我們有如身歷其境，親眼見證它們的存在；有些影像雖然經過調製，並非原汁原味，卻調和了肉眼所不能見的波段，讓我們得以一窺它們背後的故事。

• 本文轉載自科技大觀園，原文為《讓敵人無所遁形的軍事鷹眼！以多頻譜影像處理演算法進行目標物偵測與追蹤》
• 作者 / 科技大觀園特約編輯｜曾繁安

戰場上，分秒之差就能是決定勝敗生死的關鍵。因此如何更迅速捕捉敵軍的動向蹤跡，便成為國防軍備的一大研發重點。多頻譜影像技術能確切捕捉到物體反射的光譜資訊，並已在衛星、醫學、動植物辨識領域取得可行的成果。來自中正大學的研究團隊，便致力於建立多頻譜影響處理演算法的資料庫，期望能應用在軍事目標物的偵測追蹤上，為前線戰士助一臂之力！

掌握物體的「本色」：多頻譜影像技術

色差，是日常生活中會碰到的困擾：不管是印刷品的呈色與預想不符，或是網購的衣服顔色與想象中有所落差。這與傳統的色彩影像量測技術，如電腦電視使用的 RGB 三原色光模式及彩色印刷的 CMYK 四分色模式，在不同裝置上檢測及重現時出現的差異有關。但是，只要回歸到視覺與色彩形成的根本——光線，我們可以解決這些問題。

大家都知道，光源照射物體後，會根據物體特性產生反射、吸收和透射等現象，人眼接收了物體反射的光線，會經由大腦分析視網膜收到的電子訊號，產生視覺色彩的感知。光線是一種電磁波，不同顔色的光有不同的頻率。而所謂的頻譜，就是物體的反射頻譜、投射頻譜或發光頻譜。頻譜影像，顧名思義即是每個畫素都帶有頻譜資訊的影像。

號稱可以捕捉物體本色的多頻譜影像技術（Multi-spectral imaging），厲害之處在於它可以直接擷取畫面頻譜的反射值。這個反射值是唯一值，不會受到不同廠牌的擷取技術或光源影響，因此是十分準確的影像資訊。一般頻譜影像的波段範圍落在可見光範圍（380 – 780nm），在定義上高光譜影像（hyper-spectrum）泛指使用儀器設備所拍攝到的多頻譜影像資料；超頻譜影像，則是以演算法將影像進行計算所得。其所具備的豐富影像資訊，也成為近年來醫學影像判識（如早期癌症病變的診斷）及衛星遙測的一大福音。

從依靠人力，到交給演算法裝置代勞的自動目標識別演算法

自動辨識技術（Automatic target recognition，ATR）的源起，可以追溯至二戰前的雷達(註1)。雷達的操作原理，便是將電磁能量以定向方式發射至空間中，藉由接收空間中的物體所反射回來的電波，計算出物體的方向、高度及速度，並探測物體的形狀。過去的雷達偵測技術，仰賴訓練有素的操作員去解讀雷達訊號，如辨識戰機的大小、型號，以幫助戰場上的同胞第一時間掌握敵營的部署。

不過，人的經驗能力終究有限，因此軍方目標偵測系統也逐漸從人力辨識，逐步發展至交由演算法或裝置來代勞，即自動辨識技術 ATR。準確率更高、速度更快的 ATR，除了可辨識海陸空的軍武，也能偵測生物性目標如動物、人類和植被。目前軍事上通常僅利用一個波段，如近或遠紅外光的資訊來判別目標物，但利用多頻譜影像或超頻譜影像豐富的資訊來進行目標物識別，卻有待發展。

利用多頻譜影像技術，打造鎖定目標的軍事鷹眼！

如果能將多頻譜影響處理演算法帶來的豐富影像資訊，與 ATR 結合，將有望能提升偵測目標的準確率，在戰場上占盡先機。但這不是一件簡單的事：首先，軍武裝載空間有限，因此需以極精簡的光學裝置，來擷取到光路相同的不同波段影像；再來，多頻譜影像資料龐大，因此需整合不同波段的影像特性，以精確辨識俊基、船艦、坦克和建築等目標物；而如何將複雜的演算法轉化成運算夠快的晶片，應用在真實的武器上，也考驗科學家的能耐。

作為影像辨識技術領域的專業，來自國立中正大學的王祥辰教授研究團隊，就志在建立一套適於分析不同目標物特性的超頻譜影像資料庫、開發目標物偵測的多頻譜演算法程式庫，並打造一個方便高效的模擬及演算平台，讓軍方研究者可以進一步建立合適的 ATR 偵測法則。

這項計劃包含三個子系統，子系統 1 是建立多光譜及高光譜拍攝影像的資料庫。就像過去的雷達系統，是依賴熟練的操作員調度腦中記憶的資訊，去與雷達訊號進行比對辨識。要訓練機器裝置去指認出目標物，首先就得提供它一個可靠的影像資料庫作為基礎。為此，研究團隊在不同的天候條件下，拍攝不同波段下的各種目標物如電塔、水泥建築、海面船艦及空中飛行物，來建立一個涵蓋陸、海、空特性的多頻譜與高光譜影像資料庫。

接著，上述涵蓋不同波段的影像，可以經過子系統 2，進行超頻譜展開運算。在子系統 2 時，為了減少計算量，使用者可設定挑選效果最好的數個頻帶，讓目標與其背景的差異達至最大化。這個過程如同指導電腦來玩「大家來找碴」的游戲，讓電腦可以學會如何在不同的場景、天氣條件下，快速辨識出指定的目標物。

子系統 2 將原本有限頻段的多頻譜影像，轉換為特定目標物適用的超頻譜影像，作為子系統 3 的輸入。在這個友善而直覺的圖形化人機介面，軍事研究人員可以在複雜的影像資料庫及法法則程式庫中不斷進行模擬，找出不同目標物的最佳化演算法則，縮短軍事研發所需的時間，提高所開發武器的效能。

如今，王教授的研究團隊已完成三個子系統的建設。此項研究成果，預計可以應用在各式對地、對空及對海飛彈，以及各式影像偵蒐系統的 ATR 設計開發上，成為新一代的鷹眼。而該研究的系統，也能幫助縮減開發測試的時間，對演算法和超頻譜頻帶最佳化都將有所助益。

【注解】

1.雷達（Radio Detection and Ranging，縮寫為 RADAR），是始於二戰前的偵測技術，其原理是利用將電磁能量以定向方式發射至空間中，藉由接收存在於空間中的物體所反射回來的電波，就可以計算出該物體的方向、高度及速度，並探測物體的形狀。

參考文獻

• 多頻譜影像處理演算法資料庫及應用其之軍事目標物偵測與追蹤技術開發（105 年）
• 多頻譜影像處理演算法資料庫及應用其之軍事目標物偵測與追蹤技術開發（106 年）
• 多頻譜影像處理演算法資料庫及應用其之軍事目標物偵測與追蹤技術開發（107 年）
• 國立中正大學-王祥辰教授-應用超頻譜影像辨識癌病變方法
• 應用超頻譜影像辨識癌病變方法
• Automatic target recognition
• Multispectral image
• Hyperspectral imaging