- 引言
高光谱遥感(hyperspectral remote sensing)又叫成像光谱遥感，是将成像技术和光谱技术相结合的多维信息获取技术。高光谱遥感器能够同时获取目标区域的2维几何空间信息与1维光谱信息，因此高光谱数据具有“图像立方体”的形式和结构，体现出“图谱合一”的特点和优势。高光谱图像中的每个像元记录着瞬时视场角内几十甚至上百个连续波段的光谱信息，其光谱分辨率在400—2500 nm波长范围内一般小于10 nm。将这些光谱信息作为波长的函数可以绘制一条完整而连续的光谱曲线，反映出能够区分不同物质的诊断性光谱特征，使得本来在宽波段多光谱遥感图像中不可探测的地物在高光谱遥感中能够被探测。但是高光谱图像的地物分辨率却是有限的，较低的空间分辨率给数据处理如精确匹配、光谱解混和目标检测与识别等技术带来了巨大的困难。可以说，空间分辨率已经成为高光谱图像应用效果的主要制约因素。因此，高光谱图像超分辨算法的研究得到了飞速发展。
- 研究现状
目前的超分辨率算法可以分为基于重建约束的超分辨率和基于学习的超分辨率两大类。基于重建约束的超分辨率算法要求生成的高分辨率图像在通过成像模型后要尽可能“像”低分辨率的输入图像，并使用不同的规整化方法来约束解的可行域；基于学习的超分辨率算法的基本原理是通过样本学习为高-低分辨率图像对建立一个共生模型，进而为低分辨率图像“添加”出高频细节。下文将介绍集中图像超分辨算法：
- 基于MAP的高光谱图像超分辨算法
该方法利用关联光谱端元的算子将原始高光谱数据进行地低维投影，而后对变换域上的数据空间进行超分辨处理，将会降低运算复杂度和保护感兴趣类别。基于MAP的超分辨算法根据高光谱图像的成像特殊性和谱间信息补偿性，研究并建立了低分辨率资源图像与高分辨率目标图像之间的关系模型；根据地物类别的有限性和高光谱图像应用的特殊性，将超分辨率模型中的像元表征为感兴趣光谱端元的加权线性组合；为保证超分辨率方法的有效实施，研究了高效率低复杂性的模型反演方法以及综合算子离线计算方法。 理论分析和实验评价表明，基于 MAP 的高光谱图像超分辨率方法能有效地提高图像的视觉效果和数据分析效果；而关联感兴趣类别端元的实施方式则有助千进 步降低超分辨率复原误差、大幅度缩减计算量、提高感兴趣类别的处理效果和有效克服噪声的干扰。
3、基于光谱相似性的高光谱图像超分辨算法
光谱相似性是指高光谱图像中的大量像元具有相似光谱的性质. 提出了一种基于光谱相似性的高光谱遥感图像超分辨率算法, 利用遥感图像中广泛存在的结构自相似性提升图像的空间分辨率, 利用高光谱图像的低维子空间性通过主成分分析降低光谱维数提高运算效率, 利用具有相似光谱的像元构建光谱约束项保证重建图像光谱的准确性. 该算法在将单波段图像超分辨率方法推广到处理具有数百、乃至上千波段的高光谱图像过程中, 既保证了重建图像光谱的准确性, 又具有较高的运算效率. 实验表明, 与双三次插值和基于稀疏表示与光谱正则化约束的高光谱图像超分辨率算法相比, 该算法具有更高的空间分辨率提升能力和更好的光谱保真能力.
4、基于非参数贝叶斯字典学习的高光谱图像超分辨算法
这种方法结合稀疏表示理论实现了一种基于非参数Bayesian字典学习模型的单幅遥感影像超分辨率重建。该方法利用beta 先验相关理论建立字典元素及各参数的概率分布模型,采用Gibbs抽样迭代形成马尔科夫链，用其平稳分布来近似字典元素的后验分布,最后作用于重建阶段进行高分辨率影像重构。但由于马尔科夫链的平稳分布需通过大量迭代抽样才能获得，对于遥感影像，字典训练所需时间过长。
5、基于张量分解的高光谱图像超分辨算法
张量是一个多维数组，一阶张量是向量，二阶张量是矩阵，三阶及以上张量称之为高阶张量，在实际应用中午，张良实现了对问题更准确的建模。对于具有张量结构的高阶数据，可以通过张量数据进行分解以减少数据的损失，降低计算的复杂度，从而保留原始数据的信息和特征。本质上，张量分解是一种高阶数据的分解方法，在社交媒体上，学术趋势研究，社区演化等领域均可以使用张量分解进行数据分析。张量分解最经典的分解方法是CP分解和Tucker分解，CP分解的思想是将一个N阶张量分解为若干个秩一张量和的形式，CP分解能够保证分解结果的唯一性，但CP分解对应的秩求解是一个NP难题。Tucker分解的思想是将原张量分解成核心张量和因子矩阵乘积的形式，核心张量保留原张量的主要信息
- 未来展望
尽管过去的研究中，很多研究成果，而且其基本的理论框架已经建立，但是为了建立出一个能够鲁棒地重建出高质量输出图像的超分辨率系统，至少在以下的几个方面仍然有许多问题没有解决。
