伍治坚做高光谱的朋友应该都有过这种经历：手里只有一张普通RGB照片，或者某个设备只输出几个宽波段，但要分析的目标物偏偏需要连续光谱信息。还有更常见的场景——高光谱采集设备要么贵，要么慢，一个几十上百波段的数据立方体拍下来，可能需要几秒甚至几分钟，根本没法应对流水线上的动态检测。光谱重建（Spectral Reconstruction）要解决的，就是这种“从有限观测反推完整光谱”的问题，也是高光谱成像基础系列里相当核心的一环。
这篇是系列的第十二篇，我会把光谱重建这件事讲透：它到底重建的是什么、数学模型长什么样、为什么无脑反算不行、目前主流的字典和深度学习方法各自靠谱在哪，最后给一个能在笔记本上直接跑通的小实验，以及我在实际项目里踩过的坑。适合刚接触高光谱数据处理的工程师，也适合准备做RGB到高光谱重建、压缩快照成像重建的朋友参考。
1. 光谱重建到底是什么：三种常见的任务形态
1.1 高光谱数据立方体与降维观测
先理一下概念。高光谱成像获取的是一个三维数据立方体（x，y，λ），前两个维度是空间坐标，第三个维度是波长。普通相机的成像，本质上是把光谱维度积压成了几个通道值——比如sRGB相机就是三个通道，每个通道是光谱与滤光片光谱响应函数的积分结果。高光谱相机则完全不同，它把光谱分成几十上百个窄波段分别记录。
问题是，高光谱数据获取成本高、速度慢、存储占用大。很多场景下我们并不需要“先完整采集合成数据再做分析”，而是希望直接从低维观测里把高维光谱信息“补回来”。光谱重建就是指这样一个逆过程：给定系统已知的观测（RGB、多光谱、压缩测量等）和成像模型先验，恢复出完整连续的光谱反射率或辐亮度曲线。
这就像你用一张打了马赛克的图去复原高清原图，只不过这里马赛克不是空间上的，而是光谱方向的“像素合并”。RGB里的3个通道，要对齐到31个或者更多波段，信息缺口非常大，所以这个逆向问题天生就不是老实人能干的活——它需要很强的先验来补全丢失的信息。
1.2 三种典型任务形态与影响范围
光谱重建在高光谱成像相关领域里，实际包含三种差别很大的任务形态，搞清楚自己属于哪种，才能选对方法。
第一种是RGB或多光谱到高光谱的重建。这是目前学术圈最热的方向，典型的公开数据集是ICVL（以色列理工采集的室内高光谱图像）、CAVE、NUS等。NTIRE挑战赛专门设有Spectral Reconstruction赛道，输入就是一张sRGB图像，输出是31个波段的反射率立方体。这种任务在颜色科学、电商无损色差评估、医学影像、文物保护等领域影响很大，因为普通消费级相机就能作为“光谱采集前端”，把设备成本降一到两个数量级。
第二种是压缩快照光谱成像（CASSI）中的重建。这类系统在探测器前面加一块编码孔径掩膜和色散元件，只拍一张二维投影图，就把三维数据立方体全部编码在里面，再通过算法重建。因为单帧曝光就能采集完整光谱，很适合瞬态事件和动态目标观测。这里重建的不只是光谱维，还牵扯到空间混叠的解纠缠，难度比第一种要高不少。
第三种是遥感领域的光谱模拟与重建。比如利用Sentinel-2这种多光谱卫星的13个波段，重建出接近连续光谱的反射率数据，用于植被、水体、矿物定量反演；或者利用地面光谱库与影像反射率之间的关系，模拟其他传感器的波段响应。这种场景里，观测波段数比RGB多一些，但依然远少于高光谱，重建的目标精度要求也更严格。
这三种形态的共性是：都要建立系统成像模型，都要靠先验来约束解空间。下面就把这个模型展开来看。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 成像模型与病态问题：为什么不能直接反算
2.1 离散化成像模型
成像过程本身是一个连续光谱的积分。对于第k个通道，探测器响应可以写成：
[ y_k = \int l(\lambda) r(\lambda) s_k(\lambda) d\lambda + n_k ]
其中 l(λ) 是照明光源的相对光谱功率分布，r(λ) 是目标物的光谱反射率（也就是我们要重建的对象），s_k(λ) 是第k个通道的光谱灵敏度，包含了滤光片、传感器量子效率等，n_k 是噪声。
实际计算时必须离散化。把波长范围按间隔 Δλ 划分成L个波段，那么一个像素的成像方程就变成：
[ y_k = \sum_{i=1}^{L} l_i r_i s_{k,i} \Delta\