高光谱图像具有高光谱分辨率,并且已在许多应用中得到广泛使用,但是实现高光谱分辨率的成像过程是以空间分辨率为代价的。 本文旨在通过提出一种新的基于类的光谱超分辨率方法,从高空间分辨率的RGB图像中构建高空间分辨率的高光谱(HHS)图像。 借助一组RGB和HHS图像对,我们提出的方法使用基于类的反向传播神经网络(BPNN)学习RGB和HHS图像对之间的非线性光谱映射。 在训练阶段,使用无监督聚类将RGB图像根据光谱相关性分为几类,并使用分类后的RGB图像和对应的HHS图像的光谱对来训练BPNN,建立非线性光谱映射每堂课在光谱超分辨率阶段,使用监督分类将给定RGB图像分类为在训练阶段确定的类别,并使用训练后的BPNN从分类后的给定RGB图像重建最终的HHS图像。 对三个标准数据集ICVL,CAVE和NUS的比较表明,与相关的最新技术方法相比,我们提出的方法可实现更好的光谱超分辨率质量。