高光谱图像将人类的视觉感官从可见光范围延伸到了更宽广的波段,进而加强了人类的观测能力。比如对于两副“同色异谱”的RGB图像,如果他们空间形状的分布近似,仅凭肉眼我们可能无法区分其中的物质。由于光谱图像是三维的,而我们的探测器最多是二维面阵探测,因此传统的光谱成像仪必须对一个场景进行多次曝光,才能够完整探测到所需的三维图像。这就大大限制了光谱成像仪器的时间分辨率,特别是当场景中有移动物体的时候,我们无法做到实时的检测物体。2006年兴起的压缩感知理论给这一限制带来了突破。依据这个理论,杜克大学的DISP小组研发出了编码孔径快照光谱成像仪(CASSI)。将三维的光谱数据立方体进行编码,而后用二维的面阵探测被编码压缩后的信号,最后再使用重构算法重构出原始的三维光谱图像。这就大大提高了光谱图像成像的时间分辨率。从测量数据恢复出原始的三维数据立方体需要求解一个欠定的线性方程组,依据线性代数的理论,我们知道它存在一个解空间,为了从中确定出唯一的解,就需要开发利用原始信号的先验信息。自然信号的稀疏性就成了求解问题的关键。压缩感知重构算法从最初的贪婪算法到最近的基于卷积神经网络的数据驱动方法,经历了很长时间的发展,带来的是重构精度的不断提高以及重构速度的不断加快。本文在第三章系统梳理了针对CASSI系统的压缩重构算法。对于一个场景信息的提取和利用,从最初的信号采集,到图像重构,再到低层视觉的处理(包括降噪、去模糊等),最后到图像的解译(包括分类等)是一个完整的系统。而系统中的各个元素是相互联系的,特别是有些元素之间有冗余。依据这个思想,本文在4.2节中将图像后端超分辨处理过程融入到前端成像硬件中。使得压缩重构算法和超分辨相结合,将原本两个步骤简化为一个步骤,并取得了高质量的压缩重构和超分辨结果。本文又在4.1节中将高光谱图像压缩采样重构步骤与后端解混任务相结合,使得原来的两个任务可以同时完成,减少了系统中的冗余,降低了整个系统的复杂度。同时,将两个任务同时处理,我们仍旧得到了令人满意的结果。