Les images hyperspectrales à haute résolution spatiale offrent simultanément une riche information spatiale et spectrale, ce qui est important pour des applications pratiques telles que l'agriculture de précision, la surveillance de l'environnement et l'identification de cibles. En raison de la contradiction inhérente entre la résolution spectrale et spatiale, les systèmes existants d'imagerie par télédétection optique ne peuvent pas répondre aux exigences pratiques d'imagerie à haute résolution spatiale et de haute résolution spectrale. Parmi les moyens importants de reconstruction d'images hyperspectrales haute résolution se trouve le traitement computationnel de l'imagerie, qui peut utiliser simultanément des images multispectrales de basse résolution dans la même région en tant que préconnaissance spectrale, les fusionner avec des informations spatiales spécifiques dans des images multispectrales à haute résolution, ou utiliser une base de données d'images ou une base de données spectrale comme préconnaissance pour une forme d'apprentissage, réaliser une transformation spectrale pour la reconstruction de la résolution spectrale des images à haute résolution. À cet égard, nous avons construit un modèle unifié de calcul d'imagerie hyperspectrale haute résolution basé sur la préconnaissance pour différentes images à haute résolution et haute résolution spectrale; en fonction des différentes sources de préconnaissance, nous avons examiné le processus de fusion d'images multispectrales haute résolution et de basse résolution, développé des méthodes de transformation spectrale pour la reconstruction de la résolution spectrale des images à haute résolution lors de l'apprentissage sur la base de données d'images ou de la base de données spectrale, et avons analysé de manière systématique les principes, avantages et limites des différents algorithmes existants; enfin, nous avons analysé et résumé les défis et les orientations possibles pour le développement de l'imagerie computationnelle d'images hyperspectrales à haute résolution. Les résultats montrent que l'imagerie computationnelle d'images à haute résolution et à haute résolution spectrale est l'un des moyens efficaces de surmonter les limitations physiques des systèmes d'imagerie par télédétection optique, et l'intégration et la transformation spectrale dans un cadre unifié favorise le classement des sources différentes de préconnaissance, offrant une reconstruction de résolution super haute précise et stable. Cette étude fournit un cadre unifié et une approche technique pour l'imagerie d'images hyperspectrales de haute qualité, clarifie les directions futures du développement de la fusion d'images optiques et de la technologie de transformation spectrale, et améliore considérablement la capacité de détection de structures fines et l'identification de spectres précis, offrant ainsi un soutien technique pour les futures tâches d'identification précise et fiable d'objets et de classification des terres.

Télédétection, images hyperspectrales à haute résolution, modèle unifié de calcul d'imagerie, images multispectrales à haute résolution, base de données d'images, base de données spectrale