高光谱图像分辨率不够用？这项融合技术给出了新思路

高光谱成像技术能同时获取同一场景中数百个连续且狭窄的光谱波段信息，在环境监测、资源探查、精准农业等领域展现出巨大应用潜力。然而，受成像机制限制，高光谱图像普遍存在空间分辨率不足的固有缺陷——光谱信息很丰富，但“看得不够细”。

如何突破这一瓶颈？近年来，将低分辨率高光谱图像与高分辨率多光谱图像进行融合，已成为一条重要技术路径。近期，兰州交通大学杨艳春、李佳龙在《浙江大学学报（工学版）》发表的研究，提出了一种“多路协同与空谱先验”的融合方法，在CAVE数据集上实现了PSNR平均提升4.5%、SSIM平均提升0.7%的效果。

传统方法的局限

高光谱与多光谱图像的融合方法大致分为传统方法和深度学习方法两类。传统方法依赖于手工制作的先验知识，其有效性通常受到先验知识准确性的限制。

深度学习方法中，基于CNN的方法因缺乏全局建模能力，难以充分捕捉图像上下文信息；而仅依赖Transformer架构的方法更擅长处理长距离依赖和全局特征，对局部细节感知较弱。此外，由于高光谱图像光谱维度的复杂性，部分方法在融合两种模态互补信息时难以突出优势，甚至导致光谱失真。

多路协同：让全局和局部各司其职

针对上述问题，这项研究设计了一个全局与局部相结合的主干网络。核心思路是：用局部瓶颈控制单元学习局部结构并抑制冗余特征，用Transformer处理长距离依赖，两者通过并联架构协同工作，再通过双向交互融合机制增强对局部细节与全局上下文的理解。

简单来说，局部瓶颈控制单元负责“看清纹理和边缘”，Transformer负责“理解整体场景”，两者互补，避免了过去单一架构“顾此失彼”的问题。

空谱先验：把波段之间的关系用起来

高光谱图像的光谱维度中，相邻波段之间存在较强的相关性，但传统注意力机制未能充分挖掘这种独特的相关性。

研究提出的空间与光谱联合先验模块，在空间注意力上采用双路径池化策略，在光谱维度上引入光谱内部分组注意力机制来衡量波段之间的关联程度。这一设计让模型在融合过程中不仅关注“每个像素点长什么样”，还关注“不同波段的信号之间有什么关系”，从而更好地保留关键的光谱特征。

最后，多路聚合网络通过残差块与逐层递进融合策略整合各层次特征，得到兼具丰富光谱信息和空间信息的融合图像。

对高光谱应用意味着什么？

这项研究的价值在于，它从算法层面回应了高光谱成像的一个核心矛盾：光谱分辨率和空间分辨率难以兼得。通过将高分辨率多光谱图像的空间细节与低分辨率高光谱图像的光谱特征进行智能融合，最终输出的是高分辨率的高光谱图像——既保留了“光谱指纹”的丰富信息，又提升了空间细节的呈现能力。

对于需要在精细尺度上识别物质成分的应用场景——比如农作物病虫害的早期诊断、土壤重金属含量的空间分布反演、矿物蚀变信息的精细提取——这种融合技术意味着高光谱数据可以从“实验室分析工具”走向“大范围实用化监测”。

赛斯拜克（SINESPEC）高光谱成像系统覆盖400~1000nm及900~1700nm光谱范围，光谱分辨率优于2.5nm，可作为高光谱数据的高质量采集端，为后续的融合处理与分析提供可靠的光谱信息输入。从数据采集到算法融合，高光谱技术正在一步步走向“看得更细、用得更广”。