多光谱成像技术可以记录场景丰富的光谱信息,并被广泛应用于传统的生物医学,军事遥感,颜色控制等领域。同时,多光谱成像技术也已在目标跟踪,人脸识别,场景分割等诸多新兴计算机视觉任务中表现出了重要的应用价值。受限于多光谱成像设备,多光谱图像无法同时被高效率和高质量地采集,这将极大地制约多光谱成像技术进一步应用与发展。本文针对上述问题,开展了如下创新性的研究工作:1.为了提升高质量多光谱图像的采集效率,提出了一种基于低分辨率光谱图像和高分辨率光谱图像融合的快速超分辨率成像框架。该框架包含图像采集和计算重建两个阶段。在采集阶段,只在较少通道采集高分辨率的光谱图像,同时在剩余通道全部采集低分辨率的光谱图像。这些低分辨率图像利用相机传感器的像素合并操作得到,从而可极大地缩减采集过程中所需的曝光时间。在重建阶段,首先计算确定光谱基元的最佳个数,同时估计得到信号依赖噪声的分布统计。通过对采集图像空间域和光谱域的退化行为进行建模,以闭合解的形式高效地重建所需的高分辨率多光谱图像。该框架的有效性在真实采集的多光谱图像上进行验证。实验结果表明,提出的快速多光谱成像框架能有效提升采集效率,在重建精度上优于现有方法,在重建效率上得到了 20×的提升。2.为了提高多光谱图像的空间分辨率,提出了一种基于低分辨率多光谱图像和高分辨率RGB图像融合的多光谱超分辨率算法。在一般的应用场合下,多光谱图像亮度正比于场景的光照强度,而RGB图像亮度和场景光强呈未知的非线性关系。为了适用于这类场合,该算法首先计算得到RGB相机的逆相机响应函数和光谱敏感函数,然后构建多光谱图像和RGB图像之间的线性关系,最后根据线性的图像退化模型高效地重建所需的高分辨率多光谱图像。与此同时,引入权重总变分作为正则项使得重建多光谱图像的边缘结构与RGB图像的边缘结构保持一致。该算法在公开数据集和实验室采集的图像集上进行有效性验证。实验结果表明,提出的多光谱超分辨率算法能有效提高图像的空间分辨率,在重建精度和计算效率上均优于现有方法。3.为了扩大多光谱图像超分辨率的应用场合,提出了一种基于概率性超像素匹配和光谱重建的图像融合算法,所需的低分辨率多光谱图像和高分辨率RGB图像在内容上无需逐像素配准。首先根据稠密近似最近邻场得到所采集图像之间的超像素对应关系,提取出超像素级的训练样本和概率性的可信度。然后构建一个概率回归模型求解从RGB空间到多光谱空间的映射函数,该模型以非齐性方差的形式结合各样本可信度。整个回归被视为一个期望最大的学习过程,且在此过程中无需进行人为参数调节。最终通过使用核方法及映射函数将RGB图像重建为所需的高分辨率多光谱图像。该算法在公开数据集和实验室采集的图像集上进行有效性验证。实验结果表明,提出的多光谱超分辨率算法能有效提高图像的空间分辨率,且由于其不需要图像之间的严格配准,比其他方法有更高的实用性。