基于局部-非局部先验与光谱平滑正则化的高光谱图像重建新方法

《Optics & Laser Technology》:Hyperspectral image reconstruction via local-nonlocal priors and spectral smoothness regularization

【字体: 大 中 小 】 时间:2026年01月01日 来源:Optics & Laser Technology 4.6

编辑推荐:

  本文针对压缩高光谱成像(CSI)重建这一病态逆问题,提出了一种融合深度图像先验(DIP)、非局部自相似性(NSS)先验和全变分(TV)正则化的多先验融合框架。研究人员通过交替方向乘子法(ADMM)将复杂优化问题分解为多个子问题,利用未训练的U-Net直接从压缩测量中提取局部结构,结合NSS增强全局相关性,并引入光谱维TV正则化保持光谱平滑性。实验表明,该方法在合成和真实数据集上均实现了优异的重建效果,显著提升了重建图像的峰值信噪比(PSNR)和结构相似性(SSIM),为高光谱成像技术提供了高保真重建方案。

  
高光谱成像技术能够捕获场景的三维空间-光谱信息,在环境监测、精准农业和医学诊断等领域具有广泛应用。然而,传统扫描式高光谱成像设备存在光子效率低、采集时间长等固有缺陷。压缩高光谱成像(Compressive Hyperspectral Imaging, CSI)技术通过光学路径中的空间和光谱调制,将三维光谱数据立方体压缩为二维测量值,实现快照式光谱成像。但从有限的二维测量中重建原始高光谱图像(HSI)是一个典型的病态逆问题。
目前主流重建方法主要分为两类:基于正则化项的传统优化方法和基于深度学习的端到端映射方法。近年来,结合两种策略的混合方法受到广泛关注,但这些方法通常简单地将神经网络作为特征提取器嵌入传统优化框架,或直接以串联方式整合正则化项与神经网络,未能有效构建统一表征来同时反映HSI的低秩特性、光谱平滑性和固有的空谱关系。此外,深度学习方法面临训练数据稀缺的关键挑战,当重建未在训练数据中出现的谱型时性能显著下降。
针对这些难题,浙江大学研究团队在《Optics》上发表论文,提出了一种融合局部-非局部先验与光谱平滑正则化的高光谱图像重建新方法。该研究创新性地将深度图像先验(Deep Image Prior, DIP)、非局部自相似性(Nonlocal Self-Similarity, NSS)先验和全变分(Total Variation, TV)正则化整合到统一的混合即插即用(Hybrid Plug-and-Play, H-PnP)框架中,通过交替方向乘子法(Alternating Direction Method of Multipliers, ADMM)实现高效优化。
关键技术方法包括:1)构建双相机编码孔径快照光谱成像(CASSI)系统,同时获取压缩测量和高分辨率灰度参考图像;2)利用未训练的U-Net网络从压缩测量中直接学习HSI的局部空间特征;3)采用加权核范数最小化(Weighted Nuclear Norm Minimization, WNNM)处理非局部张量群,捕获全局相关性;4)在光谱维度引入TV正则化约束光谱平滑性;5)通过ADMM算法将复杂优化问题分解为θ子问题、x子问题、g子问题、k子问题等多个可求解的子问题。
研究结果验证了方法的有效性:
在合成数据集上的实验表明,该方法在KAIST、Natural Scene 2015和Harvard数据集上均取得了最优性能。与TwIST+TV、DeSCI、DIP、HDNet、DeepRED、MST和PnP-DIP-HSI等先进方法相比,提出的方法在PSNR、SSIM和SAM指标上均有显著提升。特别是在KAIST数据集上,PSNR达到37.77dB,SSIM达到0.9656,SAM降至0.0727,明显优于对比方法。
消融实验进一步证实了各组件的重要性。当仅使用DIP时,重建质量有限;DIP+TV组合有所改善但提升有限;DIP+NSS组合在空间重建指标上接近完整方法,但光谱重建精度不足。完整方法通过TV正则化有效保障了光谱平滑性,实现了空谱维度的均衡优化。
参数敏感性分析显示,非局部相似块数量k的选择对性能有重要影响。k=50时能在捕获足够空间相似性和保持组内一致性间达到最佳平衡,过小或过大的k值都会降低重建质量。
在真实数据集上的实验进一步验证了方法的实用性。研究团队搭建了双相机CASSI光学系统,对彩色标板和UNO卡片进行成像重建。结果表明,该方法能有效克服系统色散引起的空间模糊问题,在短波和长波区域均能准确重建光谱曲线。与DIP、DIP+TV、DIP+NSS等变体相比,完整方法在四个感兴趣区域的平均RMSE最低(0.0599),显著优于其他方法。
迭代收敛性分析表明,该方法在早期迭代中快速降低误差,后期主要精细调整高频空间细节和光谱变化,表现出良好的收敛特性。
研究结论强调,该工作通过创新性地整合DIP、NSS和TV先验,在统一ADMM框架下实现了高光谱图像的高质量重建。DIP提供了强大的隐式结构提取能力,NSS通过非局部相似性实现全局去噪,TV正则化则有效保持光谱平滑性。这种多先验融合策略克服了单一先验的局限性,显著提升了重建精度。特别是通过物理引导的双相机设计,将灰度分支的高保真信息作为形式化指导项嵌入ADMM过程,确保了重建的物理合理性和鲁棒性。
该方法不仅为压缩高光谱成像提供了有效的重建方案,也为多先验融合的逆问题求解提供了新思路。未来工作可探索更强大的特征提取模块,如空谱联合卷积和注意力机制,以进一步提升重建性能。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号