结构信息增强的三维加权相关全变分高光谱图像去噪方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》:IE-TV: Structural Information Enhanced 3D Weighted Correlated Total Variation for Hyperspectral Image Denoising

【字体: 大 中 小 】 时间:2026年01月05日 来源:IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 5.4

编辑推荐:

  本文针对高光谱图像(HSI)在混合噪声干扰下难以恢复复杂结构、现有方法存在细节丢失和光谱失真等问题,提出了一种结构信息增强的三维加权相关全变分(IE-TV)去噪方法。通过构建加权CTV(WCTV)正则化项自适应调整不同维度的平滑约束,并利用上采样生成的信息增强矩阵对梯度核范数施加软约束,在三个真实HSI数据集上的实验表明,该方法在PSNR、SSIM和ERGAS指标上均优于现有方法,显著减轻了过平滑现象并保持了光谱一致性。

  
当我们仰望星空,通过高精度的望远镜捕捉宇宙的奥秘时,科学家们也在通过高光谱遥感技术"俯瞰"地球,从数百个光谱波段中解析出地物的精细特征。这种兼具空间和光谱信息的高光谱图像(HSI)在环境监测、农业普查、军事侦察等领域发挥着越来越重要的作用。然而,就像天文观测会受到大气湍流干扰一样,高光谱图像在采集和传输过程中也不可避免地会受到多种噪声的污染,如传感器热噪声、光电子散粒噪声等,形成复杂的混合噪声。
更棘手的是,高光谱图像本质上是一个三维数据立方体,噪声在不同维度上的表现特性各不相同:空间维度上可能呈现高斯分布,光谱维度上则可能出现条纹状的周期性噪声。传统的去噪方法就像用一把尺子丈量所有地形,往往难以兼顾细节保留和噪声抑制。要么过于"保守",导致噪声去除不彻底;要么过于"激进",在平滑噪声的同时也将重要的地物边界和纹理特征一并抹去,出现令人不快的"阶梯效应"或光谱失真。特别是在城市遥感场景中,建筑物的锐利边缘和道路的线性特征需要精确保留,而在农田监测中,大面积的均匀区域则需要更强的平滑处理。这种"一刀切"的处理方式显然无法满足高光谱图像处理的多样化需求。
针对这一挑战,来自中国地质大学(武汉)和华南理工大学的研究团队在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》上发表了一项创新性研究,提出了一种名为"结构信息增强的三维加权相关全变分"(IE-TV)的高光谱图像去噪方法。该方法的核心思想很巧妙:既然不同维度的噪声特性不同,何不为它们"量身定制"去噪策略?同时,为何不借助更高分辨率下的结构信息来指导去噪过程,就像修复古画时先通过高清扫描获取原始笔触的细节一样?
研究人员首先构建了加权相关全变分(WCTV)正则化项,为高光谱图像的三个维度(两个空间维度和一个光谱维度)分配不同的权重。这就像为不同的噪声类型配置了专属的"滤波器",空间维度上注重纹理保留,光谱维度上强调连续性保持。更重要的是,他们引入了一种跨尺度结构信息增强策略:通过双三次插值将原始图像上采样到更高分辨率,在这个更精细的尺度上初步去噪后,得到一个包含更清晰结构信息的"引导图"。然后,利用这个引导图的梯度特性来约束原始图像的梯度优化过程,确保在去噪的同时不丢失重要细节。
该方法的技术路线主要包括以下几个关键环节:首先对观测到的含噪高光谱图像进行低秩稀疏分解,将图像表示为干净部分和噪声部分的组合;然后构建加权相关全变分正则化项,为不同维度分配自适应权重;接着通过上采样和预去噪生成信息增强矩阵;最后通过结构软约束将信息增强矩阵的梯度先验融入优化目标,利用交替方向乘子法(ADMM)求解这一复杂的优化问题。实验采用了帕维亚中心、印第安纳松林和华盛顿特区商场三个公开高光谱数据集,涵盖了城市、农田和复杂城市环境等多种典型场景。
加权相关全变分(WCTV)正则化
传统的三维相关全变分(3DCTV)方法对所有维度施加相等的平滑约束,忽略了噪声的空间-光谱异质性。本研究提出的WCTV方法通过引入维度权重参数,允许模型根据实际噪声分布调整不同方向的平滑强度。具体而言,设置空间权重αspa=α1=α2和光谱权重αspec=α3,并通过权重比β=αspa/αspec控制空间与光谱平滑的相对强度。这种自适应权重机制使模型能够灵活应对不同场景的需求:城市地区需要较小的空间权重以保护纹理,而农田区域则适用较大的空间权重以促进均匀平滑。
信息增强矩阵构建
研究团队发现,噪声的结构特性在不同尺度下存在显著差异。基于这一洞察,他们首先对含噪图像进行双三次上采样,生成高分辨率版本Hup。与最近邻插值和双线性插值相比,双三次插值能更好地保持边缘锐度和梯度连续性。随后对Hup应用WCTV进行预去噪,得到信息增强矩阵Y。如图2所示,?1Y与干净图像的梯度?1X?高度一致,且比直接去噪结果的梯度?1X包含更丰富的边缘信息,这为后续的结构约束提供了高质量的梯度先验。
结构软约束与优化求解
IE-TV框架的核心创新在于将信息增强矩阵Y的梯度核范数作为软约束引入目标函数,即最小化(‖Gi‖*-‖?iY‖*)2。这一约束迫使去噪结果的梯度分布向高分辨率引导图对齐,从而在噪声抑制和细节保护之间取得平衡。通过ADMM算法将复杂优化问题分解为三个子问题:梯度松弛变量Gi的更新采用基于奇异值分解的软阈值操作;稀疏噪声矩阵S的更新通过L1范数近端算子实现;低秩成分X的更新则利用快速傅里叶变换高效求解线性系统。
实验结果分析
在帕维亚中心城市场景中,IE-TV在强高斯噪声(G=0.20)条件下取得了31.880dB的峰值信噪比(MPSNR)和0.914的结构相似性(MSSIM),显著优于对比方法。视觉结果(图3)显示,IE-TV成功保留了建筑物轮廓和道路线性特征,避免了LRTV和E-3DTV等方法常见的过度平滑现象。
在印第安纳松林农业场景中,IE-TV在混合噪声(G=0.10, S=0.20)条件下将MSSIM提升至0.800,比基线3DCTV提高19.3%。如图4所示,IE-TV恢复了农田的清晰边界,而TDSAT和QRNN3D等深度学习方法则出现明显的模糊和亮度失真。
在复杂的华盛顿特区商场数据集中,IE-TV在多种噪声配置下均保持领先优势。特别是在G=0.10、S=0.10的混合噪声条件下,取得了34.446dB的MPSNR和0.939的MSSIM。图5显示,IE-TV有效恢复了建筑物和道路的细节结构,且未引入阶梯伪影。
消融实验与参数分析
为了验证各组件的贡献,研究团队在华盛顿特区商场数据集上进行了消融实验(表IV)。结果显示,完整的IE-TV框架比仅使用WCTV的方法在PSNR上进一步提高0.841dB,比基线3DCTV提升3.372dB,证实了结构信息增强策略的有效性。视觉对比(图6)更清晰地展示了IE-TV在抑制阶梯效应和保护纹理细节方面的优势。
参数敏感性分析(图7)表明,空间-光谱权重比β存在最优值(约1.4),说明高光谱图像的不同维度确实需要差异化的平滑强度。这一发现颠覆了传统3DCTV等权处理的思路,为自适应去噪提供了理论依据。
这项研究通过巧妙结合加权正则化和跨尺度结构引导,解决了高光谱图像去噪中的关键难题。IE-TV框架不仅显著提升了去噪性能,更重要的是建立了一种平衡细节保护和全局平滑的新范式。该方法无需大量训练数据,具有很好的解释性和适应性,为高光谱遥感数据的精准应用奠定了坚实基础。未来,这种思路还可与深度学习结合,进一步探索复杂噪声建模和跨场景泛化能力,推动遥感智能处理技术的发展。
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