看見你真實的色彩－多頻譜影像擷取技術

本文由 高柏科技 合作，泛科學撰文

林唯耕剛回台灣任教時，曾在清華大學的實驗室裡用一立方公分的「氨」做實驗。沒想到氨氣意外洩漏，那股刺鼻的氣味瞬間瀰漫整棟大樓，引來眾多師生抗議。

「從此以後，我再也不敢在實驗室裡用氨了。」他在《思想實驗室》的訪談中，帶著笑意回憶這段往事。

這段插曲聽來像是一則工程師的寓言：在理論模型中，氨是太空熱控系統的理想介質；但在現實的辦公大樓裡，它首先是逼人逃竄的臭味。公式本身沒有錯，但現實世界永遠比公式更複雜——它包含了人、成本、風險，以及必須為後果負責的工程師。

高柏科技技術專家、清華大學榮譽退休教授林唯耕 ，曾任職於美國 OAO 工程部熱流組，深耕電子構裝散熱與熱管技術多年。隨著 AI 浪潮席捲全球，他鑽研一輩子的老問題再次被推向科技產業的核心：當晶片運算速度無止境攀升，那股伴隨而生的熱，究竟該往哪裡去？

熱不會讀新品發表會

科技巨頭在發表會上熱衷於談論大型語言模型、GPU 規格與驚人的算力。這些詞彙在投影片上光鮮亮麗，彷彿進步毫無邊界。然而，每一次數位運算都紮實地發生在實體晶片上。晶片會發熱、材料會疲勞老化，一旦設備過熱，系統便會降頻保護。在物理現實面前，再動聽的發表會敘事也必須低頭。

回顧個人電腦發展早期，晶片幾乎不需專屬散熱元件。隨後，鋁製鰭片、風扇、熱管到均溫板逐一登場。這段歷程常被視為技術升級，其實更像是對空間的極限勒索：晶片功率翻倍，發熱源的面積卻沒變大，機箱空間也不可能無限擴張。

林唯耕指出，散熱設計的核心只有三要素：功率、熱源面積與空間限制。他舉例，在標準的 1U 機箱中，若發熱面積約為三十乘三十毫米，氣冷系統在達到八百瓦時就會面臨瓶頸。這並非固定的物理常數，而是取決於空間、面積與氣流的動態平衡。最現實的代價在於，風扇轉速提升的背後，是噪音、電力損耗與空間占用。

因此，「液冷技術」的興起並非單純為了追求酷炫，而是算力密度提升後的必然選擇。它能更精準地帶走晶片廢熱，卻也將新的挑戰帶入機房：漏液風險、流道堵塞、材料相容性，以及維運時的難度。工程的進步，本質上鮮少是徹底消滅問題，更多時候是選擇一組「比較值得承擔」的新問題。

太空教他的，不是把答案搬回地面

太空熱控工程之所以迷人，是因為它剝奪了地球上最常見的散熱工具。在真空宇宙中，沒有空氣能讓風扇製造對流；受光面溫度破百度，陰影處卻極度嚴寒。工程師必須純粹仰賴熱傳導、熱輻射，以及熱管與環路型熱管（LHP）來搬移熱能。

熱管運作的關鍵在於「相變」——液體蒸發時吸收大量潛熱，冷凝後重回循環。林唯耕比較了銅與水的熱傳導能力：在他設定的特定條件下，實心銅塊約能傳導 120 瓦的熱能；但若每秒有一立方公分的水發生蒸發相變，移熱量可瞬間拉升至 2.4 千瓦（kW）。他強調「每秒」的觀念，因為散熱談的是動態流動速率，而非靜態的冷卻魔法。

儘管如此，太空科技並不能直接套用到地面。太空元件因考量重量、功耗與維修難度，偏好無馬達幫浦的被動式設計；但地面 AI 伺服器面臨更高的熱負載與環境溫度，往往仍需幫浦驅動流量。當年那場「氨氣洩漏」事故正是最好的提醒：技術是否「先進」，與它是否「適合」當下的場景，始終是兩回事。

好論文，為什麼仍可能造不出好產品

學術研究致力於證明「可行性」，而工業現場則要求「可重複性」——不僅要能運作，還得確保每台出廠的設備都不漏水。林唯耕將此定義為「從 0 到 1」與「從 1 到 100」的差別。後者涉及良率、成本、公差與客戶信任。論文中那次最完美的實驗數據，在產線上往往未必管用。

他從不避談失敗。在高柏科技早期與學界合作時，也曾遇過實驗數據無法複製，或研究方向偏離產業需求。這未必是雙方努力不夠，而是彼此對「成功」的標準不同。為了解決這道鴻溝，高柏科技推動「柏苗啟航創新培育計畫」，每年投入逾千萬資金與成大、中山、台科大等校合作，並指派專業人才在過程中持續微調、校正，確保研發貼近產線現實。

他分享了近期一項液冷工質校正專案。團隊使用非侵入式的超音波流量計進行觀測，但由於儀器預設以「水」校正，換成其他化學流體後讀數便出現誤差。最初嘗試用幫浦壓差推算，卻發現缺乏重複性，數據甚至推導出不合理的蒸發率。最後團隊回歸基本面，改用秤重法搭配能量平衡進行交叉驗證，才讓數據成功收斂。

這個故事真正的價值不在於「產學雙贏」的口號，而在於那段不夠優雅的挫折：假設失效、數據混亂、方法砍掉重練。也正是在這種時刻，企業需要的不只是會算數的人才，而是能洞察研究何時「走鐘」，並有權力喊停、要求重來的關鍵決策者。

林唯耕坦言，過去在校園裡總認為「技術第一、成本第二」，進入商界後才驚覺行銷與信任關係往往才是關鍵。這番話雖然不如科技突破那樣動聽，卻是產品能否進入市場的殘酷真相。再卓越的散熱設計，若無法穩定生產或贏得客戶信任，也僅止於一份精美的報告。

AI 會給答案，誰來負責出貨？

訪談尾聲，主持人國威提出了一個時代難題：假設 AI 能在彈指間生成散熱架構、材料配方與流道設計，企業該選擇全面擁抱 AI 的速度，還是保留緩慢但穩定的工程驗證，以規避潛在的失效風險？

林唯耕拒絕落入二選一的框架。他的觀點是：兩者並存。AI 擅長處理資訊、生成草案；但工程師仍須實作原型，進行嚴苛的性能與可靠度測試，最終由人決定是否出貨。這並非盲目崇拜人類直覺，而是基於一項事實：AI 的資料庫裡，通常沒記載下一次「意外洩漏」或「材料疲勞」的細節，且模型永遠無法為量產結果擔負法律與商業責任。

在 AI 時代，最稀缺的未必是熟練下指令（Prompt）的人，而是具備這種能力的人：能預判答案可能在哪裡出錯、能設計實驗將問題「逼」出來，並且願意為最終的量產品質負起責任。

大眾習慣將雲端想像成輕盈、無重量的空間。但現實中，雲端是由龐大的機房架構而成，裡面裝滿了晶片、管線、泵浦與冷卻液。虛擬算力的每一次擴張，都會在實體世界留下發熱的足跡。散熱工程師的價值，就是不讓這筆物理帳單，被埋沒在光鮮亮麗的投影片背後。

• 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

文 / 陸子鈞

過去無論是紙張印刷或者輸出，將RGB色彩檔案轉成CMYK就能勝任大多數的情況。但是隨著列印技術發展，新的精密色彩影像量測技術就顯得很重要，印刷工業技術研究中心的闕家彬組長說：「皮革、布料還好，那也是CMYK 4色列印，但是石材列印的分色就不只四色，而且每家石材列印的色彩也不同，所以就需要一種適用不同情況的色彩測量技術。」

「多頻譜影像擷取技術」有別於常見的影像擷取技術，記錄的不是RGB三原色，而是不同波長可見光的反射率。闕家彬補充說：「多頻譜影像技術擷取的是畫面的頻譜反射值，這是唯一值，不會因為不同廠牌的擷取技術或者光源而改變，因此可以得到很準確的色彩。」更便利的是，不再像以往需要在特定波長的光源下掃描影像，能夠更廣泛地應用。

「多頻譜影像擷取技術」的原理很簡單，將390nm到700nm的可見光，利用不同波段的濾鏡－像是390nm到420nm；410nm到500nm……－取得反射值，再綜合收集到的資料，就能得到全波段的影像反射資料；要是能將波段切分得更多區段，就能得到越精確的反射光譜資訊。「最難的就是找濾鏡」，闕家彬說：「要廠商製作特別波段的濾鏡的成本太高，所以我們只好找尋市面上不同波段的濾鏡。」此外，還得考慮到人眼對不同色彩的敏銳，像是人眼對綠色波段比較靈敏，所以研究團隊將綠色波段使用較多片濾鏡，減少人眼能察覺出的色差。

這種精確的影像複製技術目前常用於藝術品數位典藏或者故宮等級的複製畫。研究團隊也設計出了可攜式的版本，能夠用在難以搬動的大型藝術品或者古蹟上。此外，多頻譜色彩資料還可以模擬在不同光源下人眼看到的色彩，很適合應用在展覽空間設計。

目前，研究團隊已經成功在非紙張材質上印出準確的色彩，特別是在石材上；在磁磚上噴上像天然石材的紋路，可以減少天然石材的用量，也能大幅減少建材的成本。未來這套系統也能延伸應用到防偽機制，闕家彬提到：「現在一些防偽技術是靠紫外光來鑒定，但是紫外光源容易取得。如果靠多頻譜影像擷取技術，任何波段都可以作防偽效果，減少被偽造的可能。」

更多資訊請參考解密科技寶藏