东南大学自动化学院团队高光谱成像研究成果登上《Nature Reviews Methods Primers》

近日，东南大学自动化学院洪丹枫教授团队在高光谱成像（Hyperspectral Imaging, HSI）领域取得重要进展，相关成果发表于国际顶级方法学期刊《Nature Reviews Methods Primers》。该论文系统梳理了高光谱成像从概念定义、成像机制与技术路径，到数据处理方法与典型应用场景的完整链路，以及深入剖析人工智能时代高光谱技术面临的关键挑战与前沿发展方向。该成果为多学科研究人员提供了权威方法指南，有望进一步推动高光谱技术在科学研究与社会应用中的广泛拓展与深远影响。

图1 高光谱成像数据示意图与不同成像模态对比

  从最广义的定义来看，高光谱成像（HSI）是指从电磁波谱上采集获取跨宽电磁谱范围的空间–光谱联合观测数据（图1a），其覆盖范围可从太赫兹与微波波段延伸至中波和长波红外区域。本文重点关注图像处理与分析领域中应用最为广泛的大气窗口范围，通常覆盖380–2,500 nm波段（图1b）。HSI以较高的光谱分辨率（通常为5–10 nm）获取数百个连续光谱通道，使其具备宽谱段与精细光谱采样的双重优势，从而能够实现对场景中多种组成材料的有效识别与精细区分（图1c、d）。

图2 高光谱成像的不同扫描方式

  高光谱数字图像通常通过成像光谱仪对目标场景进行光谱扫描获取，主要包括四种典型成像方式：摆扫式（图2a）、推扫式（图2b）、凝视式扫描（图2c）以及快照式成像（图2d）。

  高光谱数据分析的一般工作流程通常包括：从观测获得的辐射率或反射率高光谱数据出发，依次开展底层处理（如图像复原、图像增强与降维）以及高层分析任务（例如分类、光谱解混与目标检测）。

图3 高光谱图像分析流程

  基于高光谱成像当前面临的局限性和新兴优化策略，洪丹枫教授团队概述了该领域未来发展的长期愿景：

  (1)“3J”智能协同：“3J”理念强调传感（Joint sensing）、计算（Joint computing）与量化（Joint quantification）环节的深度耦合与协同优化，涵盖软硬件协同设计、多类型高光谱传感器的协同观测，以及以HSI为核心的多模态数据联合建模框架。

  (2)全视角结构化成像：将光场成像、结构光照明与高光谱传感技术，与人工智能驱动的建模与分析方法统一融合，构建综合感知框架，推动新一代4D乃至更高维高光谱成像平台的发展。

  (3)HSI智能大脑：面向主动认知的高光谱智能体突破传统被动推理模式，通过融合物理感知先验、自监督光谱学习与因果推理机制，揭示传统成像难以直接观测的潜在物质组成、隐含状态及底层物理过程，实现复杂场景的深层解析，并形成“穿透—推理—行动—反馈”的闭环智能体系，使成像系统具备自主场景理解与决策能力。

  (4)“九九归一”愿景：在数据层面，实现高度压缩的统一表示，可重建为不同传感器类型、数据规模与空间光谱分辨率的观测产品；在模型层面，构建统一架构以兼容多类HSI输入与处理任务；在应用层面，形成能够灵活支撑多样化高光谱应用场景的通用系统平台，最终服务于科学发现、技术创新与现实世界决策。

文章来源：东南大学

论文链接：https://www.nature.com/articles/s43586-026-00470-x