高分高光谱遥感图像计算成像：从融合到光谱超分

1　引言

介绍了中国发射的遥感卫星获取的高光谱遥感图像在多个领域的应用，指出现有光学系统难以同时实现高空间分辨率和高光谱分辨率的挑战。分析了低空间分辨率高光谱图像和高空间分辨率多光谱图像的优缺点，以及它们在实际应用中的限制。提出了利用计算成像技术，结合光学成像模型和先验信息，恢复重建高分高光谱图像的研究方向。概述了计算成像的两种途径：融合低分高光谱和高分多光谱图像，以及基于图像对库或光谱库学习的光谱超分辨率重建。指出现有方法在构建通用框架和引入先验信息方面的不足，本文将提出基于先验信息的高分高光谱图像计算成像统一模型，综述不同计算成像途径的发展过程和代表性方法，分析算法原理、优势与局限性，并探讨面临的挑战和未来发展方向，为高质量高分高光谱图像计算成像提供技术支撑。

2　高分高光谱图像计算成像统一框架

介绍了高分高光谱图像计算成像的统一框架，将高分多光谱图像作为输入，通过先验信息引导恢复重建高分高光谱图像。先验信息Z可以是同区域同时相的低分高光谱图像、图像对库或光谱库等。当Z为低分高光谱图像时，计算成像等价于多光谱与高光谱图像融合；当Z为图像对库时，等价于基于图像对库的多光谱图像光谱映射；当Z为光谱库时，等价于基于光谱库的高光谱图像光谱超分。从图像融合到光谱映射再到光谱超分，实质上是对先验信息获取难度的逐步简化过程，利用深度学习与字典学习等技术，通过事先构建的图像对样本库或光谱库获取先验信息，实现基于单帧多光谱图像的高分高光谱图像计算成像，有利于研制轻小型化的高光谱计算成像设备。

3　多光谱与高光谱图像融合方法

详细介绍了多光谱与高光谱图像融合的四种主要方法：基于字典学习、基于贝叶斯、基于张量分解和基于深度学习。基于字典学习的方法进一步细分为基于空间字典、光谱字典和空间光谱联合字典的方法。这些方法通过不同的技术手段，如全色锐化、稀疏框架下的协同表示、线性混合像元分解模型等，来提升融合图像的空间分辨率和光谱信息的保持。基于贝叶斯的方法利用图像信息的先验分布，通过构建估计器对高分高光谱图像进行估计。基于张量分解的方法通过保留图像的空间与光谱结构来实现融合，张量作为矩阵的高阶扩展，能够同时表达高分高光谱三维立方体的空间域与光谱域结构。基于深度学习的方法利用深度学习在计算机视觉领域的进展，通过自动学习空间抽取滤波器、多分支神经网络等技术，实现多光谱与高光谱图像的融合。这些方法面临的挑战包括计算复杂度、光谱畸变、概率先验与实际场景的吻合程度、以及训练数据和时间的需求。

4　高分高光谱图像光谱超分方法

本章节主要探讨了高分高光谱图像光谱超分方法，分为基于字典学习和基于深度学习的两大类别。基于字典学习的光谱超分方法包括利用附加高光谱图像和基于光谱库的方法。前者通过构建自然场景高光谱图像数据库作为光谱先验，使用K-SVD算法训练光谱字典，并通过正交匹配追踪算法获取稀疏系数，以实现从多光谱图像到高光谱图像的光谱超分。后者则依赖于遥感图像的光谱稀疏特性和光谱库的全覆盖特性，利用光谱库提供的光谱信息构建光谱字典，实现多光谱到高光谱图像的光谱超分重建。基于深度学习的光谱超分方法利用大量多光谱和高光谱图像对作为先验信息，通过构建公开高光谱图像数据集，使用径向基函数网络、CNN等深度学习模型，建立从多光谱图像到高光谱图像的光谱映射关系。这些方法通过不同的网络结构和优化算法，提高了光谱超分的性能和效率。此外，还讨论了如何利用光谱库作为非图像类的光谱先验信息，以及如何通过引入有效的光谱先验信息和各种形式的约束来解决多光谱到高光谱的光谱映射关系这一欠定逆问题。

5　挑战与展望

高分高光谱计算成像面临的挑战包括跨域适应、多库对齐和硬件实现。深度学习方法在多光谱与高光谱图像融合、高光谱图像光谱超分中存在样本数据依赖和域适应问题。单一光谱库的光谱超分方法已取得进展，但多库数据对齐和综合利用是提升性能的关键。高精度图像融合与光谱超分方法计算复杂度高，需要研发低复杂度快速方法、与GPU结合的高速方法和便携式设备。

6　结语

本章节总结了高分高光谱图像计算成像技术的研究进展，提出了基于先验信息的统一框架，分析了现有方法的优势与局限性，并指出了未来发展方向。主要结论包括：构建了基于先验信息的高分高光谱图像计算成像统一模型；现有方法存在数据依赖、训练时间长等问题；未来发展趋势为跨域适应、多库对齐和轻小型化硬件实现。