光谱图像融合的技术演进与多策略权重融合实现摘要光谱图像融合旨在将低分辨率高光谱图像的光谱信息与高分辨率多光谱图像的空间信息有机结合，生成兼具高空间分辨率与高光谱分辨率的融合图像。这一技术突破了单一成像设备在光谱分辨率与空间分辨率之间的固有约束，在农业监测、环境遥感、目标检测等领域具有广阔的应用前景。本文系统梳理了光谱图像融合领域的技术发展脉络，从传统方法到深度学习方法的演进历程，分析不同技术的适用场景与局限性。在此基础上，本文基于三种经典的光谱模型——高光谱图像（HSI）、多光谱图像（MSI）和全色图像（PAN），设计了初中高三种递进式的融合策略：初级均值融合策略、中级基于梯度权重的自适应融合策略和高级基于卷积神经网络的注意力权重融合策略。论文给出了完整的Python实现代码及详细的技术解释，并通过客观评价指标（PSNR、SSIM、信息熵、峰值信噪比等）对三种策略进行了系统的对比分析，为不同应用场景下的融合策略选择提供了参考依据。关键词：光谱图像融合；高光谱图像；多光谱图像；自适应权重；深度学习；遥感影像处理第一章 引言1.1 研究背景与意义光谱成像技术是遥感与计算机视觉领域的重要研究方向。高光谱图像（Hyperspectral Image, HSI）能够同时集成空间信息与光谱信息，与传统仅包含单一或少数波段的图像相比，其单个波段具有更窄的光谱带宽、数十甚至数百个成像波段以及更宽的光谱覆盖范围，可以反映连续的精细光谱特性变化，捕捉传统图像难以获取的光谱细节，为真实场景信息提供更准确的表
