地面数据处理系统需要高光谱图像的可视化,以便进行快速查看和信息测量。与多光谱图像相比,高光谱图像拥有更加丰富的信息,这为高光谱图像可视化研究提供了有利条件。传统的高光谱图像可视化算法通常存在色彩失真与细节丢失的问题,本文分析了现有算法中存在的问题,结合神经网络技术在特征提取与图像重建方面的优势,采用神经网络技术对高光谱图像可视化问题进行了建模。主要研究内容如下:1、对于传统的高光谱图像可视化任务,采用对高光谱图像进行波段选择或降维的方法往往不能产生稳定的细节和良好的色彩。针对这一问题,本文提出了一种基于多波段选择与有监督学习的高光谱图像融合方法（Convolutional Neural Networks for Hyperspectral Visualization,CNNHV）。在训练阶段,引入多光谱图像作为参考图像,利用卷积神经网络对高光谱到多光谱的融合进行建模,并将生成的多光谱图像作为高光谱图像的可视化结果。实验结果表明,与5种最新的高光谱可视化方法相比,该方法在光谱角、相对平均光谱误差等色彩保真性度量指标上均取得了最高的评价。2、本文所提出的CNNHV方法通常只适用于包含可见光波长范围的高光谱图像,对于近红外高光谱图像的可视化,使用该方法难以产生与相应的多光谱图像一样合理的色彩,这一问题在传统的高光谱图像可视化算法中同样存在。因此,本文提出了一种基于生成对抗网络的端到端高光谱图像可视化方法（Generative Adversarial Networks for Hyperspectral Visualization,GANHV）,该方法能将近红外高光谱图像融合为三个波段的可视化图像。同时,本文还引入了判别网络用于构建生成对抗网络,以改善所提出方法的性能。实验结果表明,与5种最新的高光谱可视化方法相比,该方法在色彩保真性度量指标上均取得了最高的评价。3、相比于直接获取高光谱图像,利用多光谱图像升维方法生成高光谱图像能够节省大量的获取、传输与存储成本。同时,将多光谱图像升维方法与高光谱图像可视化方法相结合,能够实现高光谱图像的快速传输与轻量化存储。从多光谱图像到高光谱图像的升维过程中,需要重建大量波段,然而,数据特征不足的问题使这一过程变得十分困难。为了验证多光谱图像升维的可行性,本文提出了利用生成对抗网络,将三波段彩色图像升维为具有数百个波段的高光谱图像。为了直观地评估升维结果的质量,利用4种可视化算法测试了其可视化效果,目视结果表明,该方法能够生成与真实高光谱图像相似的结果图像。另外,为了测试所提出方法在不同波长范围内的重建效果,使用了6种客观指标对升维结果的结构与光谱损失进行评估。评估结果表明,相较于近红外波长范围,该方法在可见光波长范围内获得了更高的结构相似性与更低的光谱信息损失。综上所述,本文所提出的两种高光谱图像可视化方法,在保持结构和色彩方面具有良好的性能。同时,本文所提出的多光谱升维方法能够生成与真实高光谱图像相似的结果图像。