A Review of Spatial Enhancement of Hyperspectral Remote Sensing Imaging Techniques

增强高光谱空间分辨率综述

1. 第一部分介绍背景

2. 第二部分 讨论了与 HSI-SR 技术相关的关键概念和数学背景。

   方法分类：全色锐化、基于方法的方法（基于优化的方法）、基于深度学习的方法

   基于辅助数据、Fusion 和 SISR 的可用性。

   融合方法最初是作为 MSI 的全色锐化问题开始的，然后扩展到 HSI。然而，由于其大量的光谱信息，Fusion 方法对于 HSI 来说是一个复杂得多的问题。因此，出现了基于方法（也称为基于优化）的方法。

   如今，全色锐化和基于方法的方法都被视为传统方法，而 DCNN 已成为该领域研究最广泛的方法 。与 Fusion 方法类似，SISR 方法也从灰度和 RGB 图像开始，其中一些方法用于 HSI-SR，例如插值和超分辨率映射 (SRM)。插值法和 SRM 方法如今大多被认为已过时；它们几乎完全被 DCNN 所掩盖，如第 III 节所示。表 I 给出了 HSI-SR 方法分类。

   

   datasets

   

   由于Cuprite高光谱数据集2019年才公开使用，现在没有研究采用这个数据集。而最为广泛使用的PU与CAVE数据集并不是采用遥感设备获取的，而Cave是多光谱数据集。

   3-D CNN 已被普遍使用并在 HSI-SR 中显示出有效性

   

3. 第三部分 说明了基于 2002 年至 2022 年间进行的 200 多项研究的荟萃分析。

   采用爬虫爬取了：高光谱 SR、高光谱空间增强、高光谱重建、高光谱融合、高光谱 SISR 和高光谱全色锐化（hyper-spectral SR, hyperspectral spatial enhancement, hyperspectral reconstruction, hyperspectral Fusion, hyperspectral SISR, and hyperspectral pansharpening. ）这些关键字相关文章，并从其他来源手动添加了更多条目，包括 SPIE 遥感会议论文集和 MDPI 遥感期刊。

   

   

   ​

   从两个图中每年的论文总数可以看出，随着时间推移人们对 HSI-SR 的兴趣有所增加。预计到 2022 年底，发表论文的数量将进一步增加。此外，尽管 HSI-SISR 研究在过去二十年中一直在增加，但图 7 显示，每年 Fusion 和 SISR 研究的数量之间存在很大差距，这可以归因于缺乏数据的劣势此外，图 8 显示，自 2017 年以来，人们对用于 HSI-SR 的 DCNN 的兴趣逐渐增加，DCNN 的发表数量也在增加。尽管帕维亚大学是最常用的数据集，但 VIRIS 仍然比 ROSIS 使用更广泛，因为使用 VIRIS 收集的数据集总数超过使用 ROSIS 收集的数据集的数量。此外，几篇论文提到使用 AVIRIS 进行数据集收集，但没有指定本文提到的任何标准数据集。这也解释了为什么 Hyperion 传感器似乎被广泛使用。