基于频谱-空间分割的局部双三次插值（S3LBI）算法在高光谱图像超分辨率中的应用研究

作者与机构
本文由Yubo Ma（电子科技大学电子科学与技术研究院）、Wei He（同机构）、Siyu Cai（四川大学数学学院）及Qingke Zou（同机构）合作完成，发表于2025年《IEEE Geoscience and Remote Sensing Letters》期刊，论文标题为《S3LBI: Spectral–Spatial Segmentation-Based Local Bicubic Interpolation for Single Hyperspectral Image Super-Resolution》。

学术背景
高光谱图像（Hyperspectral Image, HSI）包含丰富的空间与光谱信息，广泛应用于民用与军事领域。然而，受成像设备限制，高光谱分辨率与高空间分辨率通常难以兼得（文献[1]）。为此，超分辨率（Super-Resolution, SR）技术成为提升HSI空间分辨率的关键手段。现有SR方法分为基于融合的方法和单幅图像超分辨率（Single Image SR, SISR）。本文聚焦SISR任务，其难点在于缺乏外部信息辅助。传统方法多侧重光谱信息挖掘或预训练模型，而忽略了从图像多维分割角度提取结构特征。为此，作者提出了一种基于频谱-空间分割的局部双三次插值算法（S3LBI），旨在通过分段分块插值提升HSI的空间分辨率。

研究流程与方法
1. 算法设计核心
- 频谱分割：通过k均值聚类将HSI波段划分为若干子集，距离度量采用归一化Frobenius范数（公式3）。
- 空间分割：在每个频谱子集内，结合欧氏距离与光谱信息散度（Spectral Information Divergence, 公式4-5）定义空间-光谱距离（公式6），采用改进的SLIC算法生成超像素（Super-pixel）。
- 局部插值：对每个超像素独立执行双三次插值（公式1-2），保留局部空间特征。

1. 实验设置

   • 数据集：采用Pavia University（610×340×103）、CAVE（512×512×31）和Chikusei（2517×2335×128）三个公开HSI数据集。
     
   • 对比方法：包括基于深度学习的CST[9]和SNLSR[6]，以及无需训练的LFFA[3]、ANRSE[22]和传统双三次插值。
     
   • 评估指标：RMSE（均方根误差）、PSNR（峰值信噪比）、SSIM（结构相似性）和SAM（光谱角制图）。

2. 创新方法

   • 自适应权重更新模块（算法1步骤13）：通过指数权重调整优化超像素中心更新。
     
   • 分段插值策略：克服全局插值对局部特征破坏的问题。

主要结果
1. 消融实验（表I）
- 仅空间分割（M2）比传统插值（M1）PSNR提升2.1 dB；结合频谱-空间分割（S3LBI）后进一步提升1.8 dB，验证分割有效性。

1. 性能对比（表II）

   • 在无训练方法中，S3LBI在多数指标上最优。例如，Chikusei数据集（下采样因子=8）的RMSE为4.72，显著低于LFFA的5.89。
     
   • 深度学习方法CST表现最佳，但S3LBI在有限数据下（如CAVE尺度=8）稳定性更优，SAM值较CST低1.2°。
     

2. 误差分析（图3）

   • S3LBI的绝对误差均值与标准差均为最低（如Pavia均值0.021±0.003），表明其重建误差集中且波动小。

结论与价值
1. 科学意义
- 提出首个结合频谱-空间分割的局部插值框架，为HSI SR提供可解释性强的新思路。
- 通过距离度量差异化设计（频谱用Frobenius范数，空间用混合距离），提升了分割精度。

1. 应用价值
   
   • 适用于训练数据匮乏的场景（如卫星遥感），算法无需预训练，计算复杂度低（较CST减少37%耗时）。
     
   • 在农业监测、环境遥感等领域可直接部署。

研究亮点
1. 方法创新：首次将超像素分割与频谱聚类结合，实现多维度局部插值。
2. 性能优势：在无监督方法中达到接近深度学习的精度，如Chikusei的SSIM为0.912（CST为0.925）。
3. 理论贡献：提出基于光谱信息散度的距离度量（公式5），增强了超像素边界的频谱一致性。

其他价值
- 开源代码中提供了自适应参数调整模块（如算法1的k和l），可适配不同HSI特性。
- 实验部分深入分析了不同下采样尺度（4-10倍）下的鲁棒性，填补了传统方法在大尺度SR中的评估空白。

（注：文中所有专业术语首次出现时均标注英文原文，如“超像素（Super-pixel）”；作者及期刊名按原文保留。）