高光谱卫星传感器通常覆盖了400-2500 nm的电磁波谱，可获得大于100个波段，被广泛用于精细的地表监测。然而，狭窄的光谱通道（10 nm-20 nm）对于地表反射能量的吸收有限，并且易受天气和设备因素影响，高光谱影像通常具有严重的噪声和较低的空间分辨率，这严重限制了高光谱数据的精细地表监测能力。多光谱卫星传感器通常覆盖了400-900 nm的电磁波谱，波段数量小于10，较宽的光谱通道使得多光谱传感器可以吸收更多的地表反射能量，不易受噪声污染，并且影像具有较高的空间分辨率。然而，较低的光谱分辨率使它无法被用于精细的地表监测。图像融合方法旨在通过一定的规则合并高光谱影像的光谱信息和多光谱影像的空间信息去获得具有高空间分辨率的高光谱影像。这些方法可以被划分为：成分替换方法、多分辨率分析方法、矩阵分解方法和深度学习方法。得益于多光谱影像的整体替换，成分替换方法的融合结果具有清晰的空间细节，但高光谱影像的强度分量和多光谱数据之间存在不对等的灰度分布特性，融合影像具有严重的光谱畸变。多分辨率分析方法未改变原始高光谱影像的光谱特性，因此融合影像具有较高的光谱保真性，但多光谱数据的一些空间信息并未被注入高光谱影像，融合图像存在空间失真。矩阵分解方法具有较多的参数，鲁棒性和计算效率较低。深度学习方法采用非线性方式求解融合参数，获得了较高的光谱和空间保真性，但是需要大量的训练数据。虽然高光谱和多光谱影像融合取得了重大成功，噪声影像间的高质量融合一直具有挑战性。因此，针对如何在保证计算效率的同时提升噪声影像的融合性能，本文提出了一个基于深度学习驱动的域变换模型来融合噪声高光谱和多光谱影像（deep learning-driven domain transformation model for anti-noise hyperspectral and multi-spectral images fusion, DTAFN）。考虑到频率域更加适合对噪声信号进行表达，DTAFN首先使用离散小波变换将高光谱和多光谱数据转换为频率分量。在这之后，使用卷积神经网络对影像间的相应频率分量进行融合，并且使用Conv- Long Short-Term Memory (LSTM)去提取了融合后频率分量的子空间。一方面Conv-LSTM保证了特征间的独立性，避免了冗余运算；另一方面，考虑到图像具有的低秩特性，子空间映射可以有效的对噪声信号进行抑制。最终，DTAFN使用一个子空间反投影网络去恢复了降噪后的最佳频率分量，并且通过对最佳频率分量进行小波逆变换实现了噪声高光谱和多光谱影像的高质量融合。实验采用大量的混合噪声数据集对DTAFN进行了验证，并且结果表明DTAFN可以在保证较高计算效率的同时获取高质量的融合结果，具有鲁棒性。

高光谱,多光谱,融合