研究背景：
遥感图像是根据地表物体的电磁辐射反应地表真实情况的记录信息。高光谱遥感图像能反映地表物体空间域和光谱域的信息，与传统的彩色或灰度图像不同，高光谱图像中的每个像素都包含一个连续光谱，这可以大大提高像素的鉴别能力，但也导致其数据量十分庞大。由于成像原理和技术原因，高光谱图像的分辨率也相对较低，但是，在实际应用的环境下，往往没有许多高光谱图像的样本。因此，提高高光谱图像分辨率，即超分辨率技术，并且能满足实际需求中对于较少训练量的要求，在研究高光谱图像上具有重要意义。国内外学者都对于高光谱超分辨率撰写了许多文献，而近年深度学习热潮兴起，并且发现其中许多技术对于高光谱超分辨率具有重要意义。
文献综述：
根据所查文献，目前高光谱图像超分辨率技术具有以下特点：
- 监督式与无监督
根据有无训练样本，可以将高光谱超分辨率方法分为监督式和无监督的超分辨率方法。有监督的学习方法要求训练的已知数据由人工标注好，具有较好的精确度，但是在高光谱图像的研究中，由于高光谱图像数据的庞杂，人工标注往往需要耗费大量时间，并对于网络的训练也是一种巨大的负担，因此无监督式的超分辨率方法在高光谱图像研究中更具有优越性。
- 深度卷积神经网络
要想将高光谱图像实现由低分辨率到高分辨的提高，首先需要对低分辨率图像进行还原。由于高光谱遥感图像具有很好的光谱和纹理特性，深度卷积神经网络能够很好的提取其低层纹理特征。传统图像经过输入低分辨率图像，经过卷积层、全连通层、上采样模块等学习图像特征，实现去除模糊、噪声，然后放大的还原操作，最后输出高分辨率图像，但是在高光谱图像上，这种方法被运用到具有一定挑战性的案列，比如空间域或光谱域未知甚至两者都未知时往往有一定的局限性。因为深度卷积神经网络的核心是退化模型的建立和好的先验条件，而在一些研究中，人工制作的图像先验并不太适合实际运用的情况。尽管深度卷积神经网络并不一定是最优的，但当前大部分对于超分辨率的研究都围绕着深度卷积神经网络展开。
- 深度残差网络
尽管卷积神经网络能够很好的重构高光谱图像，但其深度是影响超分辨率性能的重要因素。然而，更深层的高分辨率网络往往更难以训练，且低维空间特征的无差别对待会阻碍网络提取更有表现力的特征的能力。提高网络深度主要可以使用RIR残差模块，而为了让网络注意更多信息，需要采用信道注意技术。这是提高超分辨率技术的一大重要研究方向。
- 深度图像先验
深度神经网络被证明能够捕捉到大量的图像统计信息。与传统手工图像先验方法相比，深度图像先验在仅使用原图像的情况下，对自身进行训练和学习，能够不依赖于大量的低分辨率到高分辨率图像对，提取到其自身从高分辨率到低分辨率的退化映射。这种从图像自身学习到的先验知识尽管局限于原图像本身，但确实是一种十分自然，且符合高光谱图像实际应用的方法。并且，传统手工制作的图像先验证明了潜在退化的部分固有特性，只是这些先验往往只提取了浅层图像特征。通过深度图像先验，仅仅使用一对低分辨率到高分辨率图像，对它进行适当的训练，就获得其自身的退化映射，避免了大量训练，并且隐含的增强了这一先验的深度特征优先权最后通过类似于反向传播算法等，可以逆向还原重构原图像，实现超分辨率。这一特点在实际运用中，具有更广泛的前景，也是一个重要的研究方向。
- 图像融合
根据输入图像的不同，高光谱图像超分辨率方法可以分为空间超分辨率、光谱超分辨率和基于融合的超分辨率方法。基于融合的超分辨率方法是采用非参数贝叶斯稀疏表示将低空间分辨率高光谱图像与高空间分辨率多光谱图像融合，避免了重建图像的光谱失真问题，从而产生高空间分辨率高光谱图像。这种方法能很好的挖掘先验图像的内在统计特性，在处理无论空间域还是光谱域的退化时都能有很好的表现。并且这种方法蕴含了空间域和光谱域的潜在退化特性，其超分辨率效果的成功关键在于对潜在的退化特性施加适当的先验，这一特性十分适合深度图像先验的处理。
- 算法性能分析
对于高光谱图像还原常用的评价指标有计算原始图像与重构图像之间的峰值信噪比（PSNR）、计算两幅高光谱图像之间的结构相似性指数（SSIM）、度量原始高光谱数据与重构高光谱数据之间的光谱角相似度（SAM）等。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
