我收集了来自伊士曼柯达的 Ron Gershon 的各种“材料”（例如成熟的棕色香蕉和沥青）的 170 个反射光谱。我相信它们是漫反射，对于完美的镜子来说为零。这是数据集中所有光谱的图：

图 1. 所有反射光谱

这是整个数据集中每个波长的反射率的平均值和标准偏差图：

图 2. 反射光谱的平均值和标准偏差

平均而言，反射率向红外线方向增加，红色有很多标准偏差，但标准偏差似乎在接近红外线方向减少。如果这种趋势继续下去，最好不要进入红外线太远，因为如果图案来自材料的镶嵌，那么反射率可能没有足够的偏差来观察物体中的图案。

较长的波长也会因次表面散射而产生更多的模糊。

如果可以对 NIR 光谱中拍摄的图像使用标准立体匹配算法，例如块匹配，那么是否有可能（当然取决于条件）获得密集的深度图。

是的，有可能。Leap传感器的工作波长为 850 nm，它由两个广角相机组成，可在 3D 空间中（特别是）跟踪手部。相机的几何形状当然是固定的，但该设备仍然执行大量图像处理（在 NIR 图像上）以定位并将物理手的多个关键点与其内部模型相关联。

Leap 使用来自 3 个红外 LED 的反射光，这使其操作更接近于典型的可见光相机。使用立体视觉原理来推断深度，它必须至少沿扫描线进行像素匹配，以创建帧之间像素的对应关系。

Kinect 1 在 780nm 下运行，但它使用不同的原理。它投射已知图案并通过跟踪该图案的变形来感知深度。话虽如此，下面是使用不同方法对其在不同距离处的深度分辨率进行分析。（Kinect 2 的波长为 850 nm，使用了另一种技术（第 3 节））

但是，这个问题有点不完整。要问的关键问题是“在距相机一定距离然后使用该数字更好地集中您的技术搜索。$d$

如果标准特征检测和描述技术（如 SIFT、HOG 等）在 NIR 光谱中产生类似的结果。

是的，他们这样做。正如@Tomtana 所提到的，如果有纹理，那么就会有要锁定的功能。话虽如此，这些算法的性能可能会根据与相机的距离而变化。

如果用可见光图像训练的神经网络也能够检测 NIR 图像中的物体。（我知道这在某种程度上与前面的问题有关）

根据如何完成，答案将（大部分）是肯定的。我假设训练灰度图像并通过一组特征识别 IR。因此，如果要仔细选择特征，那么应该有可能获得稳健的匹配。这里的信息内容存在明显的问题，因为 IR 看到的东西看不见（反之亦然），所以，我们已经在某种程度上接受了较低水平的性能，仅仅是因为图像不一样。

如果您在 IR 中拍摄人像，眼睛可能会呈现为两个明亮的圆盘，并且虹膜的细节很少。典型的可见图像当然是完全不同的。因此，必须仔细选择特征，以平衡两种类型图像中信息内容的差异。

希望这可以帮助。

据我所知，在该领域使用常规图像处理技术是一种常见的做法。事实上，我最近完成了这个领域的一个项目。

如果可以对 NIR 光谱中拍摄的图像使用标准立体匹配算法，例如块匹配，那么是否有可能（当然取决于条件）获得密集的深度图。

是的，我认为是的，因为与远红外图像相比，近红外图像具有很多纹理，你可能可以（它与图像的红色波段非常相似），例如人们这样做：

repository.upenn.edu/cgi/viewcontent.cgi?article=1115&context=cis_reports

如果标准特征检测和描述技术（如 SIFT、HOG 等）在 NIR 光谱中产生类似的结果。

我想是的，因为它有很多纹理，只要有纹理就是角落、边缘和所有类型的特征点，您可以提取这些特征点以进行进一步处理，请查看：

在此处输入链接描述

我认为您最好也看看参考书，例如：

遥感中的机器视觉和高级图像处理：

https://books.google.com/books?isbn=3642601057

图像处理的遥感、模型和方法：

https://books.google.com/books?isbn=0126289816

希望你得到你的答案。