近日，数学科学学院涂志辉博士联合多所高校研究人员，在遥感领域顶级期刊《IEEE Transactions on Geoscience and Remote Sensing》（TGRS）上发表题为“Hierarchical Progressive Transform With Learnable Prior for Hyperspectral Image Super-Resolution”的研究论文。

高光谱图像能够获取地物丰富的光谱信息，但空间分辨率通常有限；多光谱图像具有较高的空间分辨率，但光谱信息相对不足。高光谱图像超分辨率旨在融合两类图像的互补信息，重建兼具精细空间结构与丰富光谱特征的高分辨率高光谱图像，为资源勘查、环境监测和目标识别等应用提供更高质量的数据支撑。

针对现有变换域方法难以兼顾稳定性与适应性的问题，研究团队提出层次渐进变换方法。该方法首先利用显式变换提取数据中稳定的共性结构，再通过可学习的隐式变换逐步刻画与具体场景相关的细节信息，使不同层次的变换相互衔接、逐步增强，从而更充分地利用高光谱数据的低秩结构。模拟数据和真实遥感数据实验表明，该方法在多项评价指标和重建质量方面取得了优于现有代表性方法的结果。

TGRS是IEEE地球科学与遥感学会旗舰期刊，为中国科学院一区TOP期刊（IF:9.4）。江西科技师范大学数学科学学院为第一署名作者单位，由我校数学科学学院涂志辉博士、深圳大学高伊莎硕士生、赣南师范大学胡文玉教授、江西师范大学陈勇教授、浙江工业大学徐宏辉副教授和深圳大学鲁坚教授共同完成。涂志辉博士与高伊莎硕士生为共同第一作者，鲁坚教授为通讯作者。该研究得到国家自然科学基金、江西省自然科学基金、江西省职业早期科技人才培养项目、广东省自然科学基金、江西省青年科技人才项目及学校博士科研启动基金等项目支持。