干涉成像光谱仪空谱信息同步复原方法 下载: 601次
1 引言
干涉成像光谱技术是一种间接光谱成像技术,通过获取的干涉调制数据来反演目标的光谱信息,从而获得图谱合一的三维数据立方体[1]。与传统的色散型成像光谱仪相比,干涉成像光谱仪具有多通道和高通量的优点,在环境监测、大气遥感、地质勘探等领域有着广泛的应用。然而,干涉成像光谱数据在采集、传输和存储过程中,常受仪器设备与外界环境等的影响,从而产生不同程度的噪声[2],导致复原高光谱图像空谱信息退化,严重限制了干涉成像光谱技术的应用范围。因此,如何从退化的干涉数据中准确地恢复出被测目标的空间和光谱信息是干涉成像光谱技术的关键。
干涉成像光谱技术起源于傅里叶变换光谱学[1],实际上目前干涉成像光谱仪的标准数据处理流程大多沿用傅里叶变换光谱学中成熟的光谱复原技术,包括基线校正、切趾滤波、相位修正、傅里叶变换等数据处理[3-4]。传统的光谱复原处理大多采用逐像素的方式,即对每个空间位置的干涉曲线进行单独处理,最后将复原的光谱曲线簇组合为高光谱图像立方体。然而,干涉成像光谱技术由于具有图谱合一的特点,仅在单一维度上进行处理容易导致另一个维度上出现伪影和变形,从而引入新的失真。
近年来,结合空谱先验约束的正则化方法在高光谱图像复原领域发展迅速并取得了相当不错的效果[5]。此类方法把高光谱图像复原看作一个病态的逆问题,通过引入一定的先验约束来压缩病态问题的解空间。常见的空谱先验约束包括低秩性[6-7]、稀疏性[8]、全变分(TV)[9-10]、非局部相似性[11]等,这些约束主要基于通用型高光谱图像的统计特性,而缺少对干涉成像光谱数据适用性的理论分析和实验验证。事实上,对于干涉成像光谱仪而言,其成像链路中的光子噪声、探测器噪声等退化因素直接作用于干涉调制图像[2],在经过光谱复原处理后噪声的统计特性将发生变化,从而增加了对复原高光谱图像去噪的难度。
针对上述问题,本文结合干涉成像光谱仪光谱复原和高光谱图像复原的特点,构建了结合干涉高光谱成像模型和先验约束条件的空谱信息同步复原模型。利用非负低秩特性和TV正则项分别约束复原高光谱图像的谱间强相关性和空间分段光滑特性,同时引入对干涉图脉冲噪声、坏点等非高斯噪声的稀疏约束,使得在准确恢复目标固有空谱信息的同时,能够有效地消除干涉图噪声对复原光谱的退化影响。
2 相关工作
2.1 低秩先验模型
高光谱图像各波段之间存在很强的相关性,每个像元的光谱特征都可以由少量纯端元光谱线性组成。对于高光谱图像
在实际情况中,高光谱图像通常会受到高斯噪声、稀疏性噪声等退化因素的干扰。为了从退化的高光谱数据中恢复出具有低秩特性的无噪图像,Wright等[12]提出了RPCA(robust principal component analysis)优化模型,即
式中:
式中:
2.2 TV正则项
TV正则化模型最早由Rudin等[14]提出,用于解决灰度图像的去噪问题。该模型利用图像分段光滑的特性来抑制图像中尖锐的梯度,从而达到平滑噪声和保留图像边缘纹理的效果。对于灰度图像
将高光谱图像每个波段视为灰度图像,TV正则项可以扩展为高光谱TV正则项(HTV)。对于高光谱图像
式中:
3 干涉成像光谱仪空谱信息同步复原模型
3.1 干涉高光谱成像模型
干涉成像光谱仪通过在成像系统中添加干涉分光装置,使得入射光经过调制后在像面上形成干涉图样,其光强分布表示为
式中:ξ为像面上相应位置对应的光程差(OPD);ν为波数;
式中:
在实际情况中,干涉图数据在获取、传输和预处理过程中会受到各种噪声的干扰。假设干涉图噪声为加性噪声,则退化的干涉高光谱成像模型可表示为
式中:
3.2 NLRSTV空谱同步复原模型
干涉成像光谱仪信息恢复就是通过干涉高光谱成像模型[
式中:
在已有高光谱图像复原方法的研究中,低秩先验和TV正则项相结合的方法,如LRTV算法[9],对于混合噪声的去除往往能取得很好的效果。受此启发,本文提出一种结合先验约束的干涉成像光谱仪空谱信息同步复原NLRSTV(nonnegative low rank-sparse-total variation)模型,其目标函数描述为
式中:λ为正则化参数,用于限制干涉图噪声的稀疏度;τ为控制核范数和HTV范数的平衡参数;r为秩约束;
NLRSTV模型在最优化问题[
3.3 模型求解
NLRSTV模型是一个求解多变量最优化问题的模型,可以采用增广拉格朗日乘子(ALM)法[16]进行求解。通过引入冗余变量
式中:
首先,构建增广拉格朗日函数,
式中:
1)固定其他变量,更新
式中:
2)固定其他变量,更新
式中:
3)固定其他变量,更新
式中:
4)固定其他变量,更新
5)更新拉格朗日乘子:
将上述求解过程进行总结,NLRSTV算法的流程如
图 1. NLRSTV空谱信息同步复原算法的流程
Fig. 1. Flow of NLRSTV simultaneous spatial and spectral information recovery algorithm
4 实验与分析
为了验证所提方法的有效性,分别在模拟和真实的干涉数据上进行实验,并从主观视觉和客观定量评价两个方面分析复原结果。实验选择两种与NLRSTV模型相关的对比方法:基于离散余弦变换的光谱复原方法(DCT)以及在此基础上的LRTV高光谱图像复原方法(DCT+LRTV)。其中,LRTV模型参数使用文献[9]给出的建议值并手动微调至最佳。
4.1 模拟数据实验
实验选取HYDICE传感器Washington DC Mall数据集的部分子集作为无噪高光谱参考图像,其数据大小为256 pixel×256 pixel×191 pixel。根据
图 2. Washington D.C.高光谱影像及其仿真干涉图像。(a)原始高光谱影像;(b)仿真空间干涉图像;中心像元处的(c)光谱曲线和(d)仿真干涉图曲线
Fig. 2. Washington D.C. hyperspectral image (HSI) and its simulated interferogram. (a) Original HSI; (b) simulated spatial-interferogram image; (c) spectral curve and (d) simulated interferogram curve at the center pixel
先对仿真生成的干涉图数据进行归一化处理,再添加高斯噪声和脉冲噪声,以获得不同类型的退化干涉图立方体,具体分为以下6种情况:(Case 1~4)添加不同强度的高斯噪声,分别对应于20 dB、25 dB、30 dB和35 dB的干涉图信噪比;(Case 5~6)在Case 1和Case 3的基础上分别添加密度为1‰的脉冲噪声。干涉图信噪比的计算公式为
式中:
使用本文方法和对比方法对上述不同情况下退化干涉数据进行复原,其中NLRSTV模型的参数设置为:秩约束r=6,正则化参数λ=1/256,τ=0.002,迭代终止准则ε=10-4,最大迭代次数kmax=50。采用峰值信噪比(PSNR)、结构相似性(SSIM)以及光谱角距离(SAD)3个指标对复原结果进行定量评价,其中:PSNR和SSIM分别从最小均方误差和结构一致性方面描述复原结果和参考图像的相似性,其值越大,说明相似性越高;SAD用于描述复原结果相对于参考图像的光谱失真度,其值越小,说明失真度越小。
表 1. 不同方法复原结果的定量评价
Table 1. Quantitative evaluation of different recovery methods
|
图 3. Case 6情况下不同方法复原结果在各波段上的PSNR和SSIM值。(a)PSNR;(b)SSIM
Fig. 3. PSNR and SSIM values of each band using different recovery methods in Case 6. (a) PSNR; (b) SSIM
图 4. Case 6情况下利用不同方法复原结果的SAD图像。(a)DCT方法;(b)DCT+LRTV方法;(c)NLRSTV方法
Fig. 4. SAD images of recovery results using different methods in Case 6. (a) DCT method; (b) DCT+LRTV method; (c) NLRSTV method
图 5. 不同方法对高光谱图像复原结果的可视化对比。(a)原始高光谱图像;(b)~(d)Case 1的DCT、DCT+LRTV、NLRSTV方法复原结果;(e)~(g)Case 6的DCT、DCT+LRTV、NLRSTV方法复原结果
Fig. 5. Visual comparison of recovered HSI by different methods. (a) Original HSI; (b)-(d) recovered HSI by DCT, DCT+LRTV, and NLRSTV in Case 1; (e)-(g) recovered HSI by DCT, DCT+LRTV, and NLRSTV in Case 6
为了更直观地比较不同复原方法对混合噪声的适应能力,在Case 6退化干涉图立方体中选取同一地物类型(草地)的3个不同位置的像元,其干涉图噪声类型分别为高斯噪声、高斯噪声+脉冲噪声(零OPD近端)以及高斯噪声+脉冲噪声(零OPD远端)。
图 6. 干涉图噪声对不同方法复原光谱的影响。(a)原始高光谱图像;(b)DCT方法复原结果;(c)DCT+LRTV方法复原结果;(d)NLRSTV方法复原结果
Fig. 6. Influence of interferogram noise on recovered spectrum by different methods. (a) Original HSI; (b) recovered HSI by DCT; (c) recovered HSI by DCT+LRTV; (d) recovered HSI by NLRSTV
4.2 真实数据实验
干涉成像光谱仪IIM[19]作为“嫦娥一号”探月卫星有效科学载荷之一,在国际上首次将干涉成像光谱技术应用于深空探测。本文选取IIM第0234轨部分区域(第4498~4753行)的L0级干涉数据进行实验,数据大小为128 pixel×128 pixel×128 pixel。为了方便比较,对于所有方法均采用相同的干涉数据修正处理(如暗电流去除、平场校正、基线校正等)。在此实验中,参数设置如下:r=6,λ=0.001,τ=0.001,ε=10-4,kmax=50。
图 7. 不同方法对IIM第0234轨数据复原结果对比。(a)DCT、(b)DCT+LRTV和(c)NLRSTV方法复原结果彩色合成图;(d)DCT、(e)DCT+LRTV和(f)NLRSTV方法复原结果的坏点检测结果
Fig. 7. Comparison of recovery results of IIM Orbit 0234 data using different recovery methods. False-color-composite images of recovery results with (a) DCT, (b) DCT+LRTV, and (c) NLRSTV methods; identification results of bad points of (d) DCT, (e) DCT+LRTV, and (f) NLRSTV methods
信噪比是评价高光谱图像质量的一个非常重要的指标。本研究采用文献[21]的方法对复原结果进行信噪比评估,具体步骤为:对所有波段的数据取平均值后得到一幅全色图像,取其灰度值在均值附近±2%的点作为样本点,计算每个波段所有样本点的均值和标准差,将两者相除作为每个波段的信噪比。
图 8. 不同方法复原结果的图像信噪比评估
Fig. 8. Estimated signal-to-noise ratio of recovered HSI by different methods
4.3 模型参数分析
如
图 9. NLRSTV模型参数的敏感性分析结果。(a)MPSNR;(b)MSSIM;(c)MSAD
Fig. 9. Sensitivity analysis results of parameters of NLRSTV model. (a) MPSNR; (b) MSSIM; (c) MSAD
图 10. NLRSTV模型收敛性分析结果。(a)MPSNR;(b)MSSIM;(c)MSAD
Fig. 10. Convergence analysis results of NLRSTV model. (a) MPSNR; (b) MSSIM; (c) MSAD
5 结论
提出一种基于干涉高光谱成像模型和先验约束条件的干涉成像光谱仪空谱信息同步复原方法NLRSTV。该方法充分考虑干涉成像光谱技术图谱合一的特点,通过引入非负低秩约束和TV正则项同时探索复原高光谱图像的空谱先验信息,并对干涉图噪声施加稀疏约束条件以保持噪声的结构特性,因而能够在复原目标空谱信息的同时,提高对干涉图混合噪声的鲁棒性。模拟数据和真实数据实验结果表明,无论是从目视效果还是从定量评价指标来看,本文方法对复原高光谱影像质量的改善效果都十分明显,这对于干涉高光谱数据应用潜力的提升有着重要的现实意义。值得一提的是,本文方法对噪声的建模仅考虑高斯噪声和脉冲噪声两种退化情况,主要适用于探测器噪声受限的干涉成像光谱仪;而实际情况中还可能会出现光子噪声受限的情况(光子噪声为主要噪声)。如何融合干涉图光子噪声的先验特性,提高复原模型在实际工程中的适用性,是未来需要重点研究的方向。
[1] 相里斌, 吕群波, 才啟胜, 等. Fourier变换成像光谱技术[J]. 中国科学: 信息科学, 2020, 50(10): 1462-1474.
Xiangli B, Lü Q B, Cai Q S, et al. Fourier transform imaging spectroscopy[J]. Scientia Sinica: Informationis, 2020, 50(10): 1462-1474.
[2] 王爽, 相里斌, 李立波, 等. 大孔径静态干涉成像光谱仪光谱信噪比研究[J]. 光谱学与光谱分析, 2014, 34(3): 851-856.
[3] 高乾坤, 刘文清, 张玉钧. 针对湍流噪声的傅里叶光谱数据处理方法[J]. 光学学报, 2021, 41(17): 1730001.
[4] 邓竞蓝, 童晶晶, 高闽光, 等. 基于零阶贝塞尔函数加权的三角窗切趾函数[J]. 光学学报, 2020, 40(3): 0307001.
[5] Rasti B, Scheunders P, Ghamisi P, et al. Noise reduction in hyperspectral imagery: overview and application[J]. Remote Sensing, 2018, 10(3): 482.
[6] Zhang H Y, He W, Zhang L P, et al. Hyperspectral image restoration using low-rank matrix recovery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(8): 4729-4743.
[7] Xue J Z, Zhao Y Q, Liao W Z, et al. Nonlocal low-rank regularized tensor decomposition for hyperspectral image denoising[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(7): 5174-5189.
[8] Lu T, Li S T, Fang L Y, et al. Spectral-spatial adaptive sparse representation for hyperspectral image denoising[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(1): 373-385.
[9] He W, Zhang H Y, Zhang L P, et al. Total-variation-regularized low-rank matrix factorization for hyperspectral image restoration[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(1): 178-188.
[10] 刘吉, 黄晓慧, 武锦辉, 等. 基于正余弦分解的自适应全变分散斑去噪方法[J]. 中国激光, 2020, 47(10): 1004004.
[11] Bai X, Xu F, Zhou L, et al. Nonlocal similarity based nonnegative tucker decomposition for hyperspectral image denoising[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(3): 701-712.
[12] WrightJ, PengY G, MaY, et al. Robust principal component analysis: exact recovery of corrupted low-rank matrices by convex optimization[C]//NIPS'09: Proceedings of the 22nd International Conference on Neural Information Processing Systems, December 7, 2009, Red Hook. Red Hook: Curran Associates Inc, 2009: 2080-2088.
[13] Candès E J, Li X D, Ma Y, et al. Robust principal component analysis?[J]. Journal of the ACM, 2011, 58(3): 1-37.
[14] Rudin L I, Osher S, Fatemi E. Nonlinear total variation based noise removal algorithms[J]. Physica D: Nonlinear Phenomena, 1992, 60(1/2/3/4): 259-268.
[15] Wadduwage D N, Singh V R, Choi H, et al. Near-common-path interferometer for imaging Fourier-transform spectroscopy in wide-field microscopy[J]. Optica, 2017, 4(5): 546-556.
[17] Beck A, Teboulle M. Fast gradient-based algorithms for constrained total variation image denoising and deblurring problems[J]. IEEE Transactions on Image Processing, 2009, 18(11): 2419-2434.
[18] He W, Zhang H Y, Zhang L P, et al. Hyperspectral image denoising via noise-adjusted iterative low-rank matrix approximation[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(6): 3050-3061.
[19] 赵葆常, 杨建峰, 常凌颖, 等. 嫦娥一号卫星成像光谱仪光学系统设计与在轨评估[J]. 光子学报, 2009, 38(3): 479-483.
[20] 王超, 施润和, 高炜, 等. “嫦娥一号”干涉成像光谱(IIM)数据坏点检测与去除研究[J]. 中国科学: 物理学 力学 天文学, 2013, 43(11): 1448-1456.
Wang C, Shi R H, Gao W, et al. Bad pixel identification and replacement research for Chang′E-1 IIM data[J]. Scientia Sinica: Physica, Mechanica & Astronomica, 2013, 43(11): 1448-1456.
[21] 解培月, 杨建峰, 薛彬, 等. 干涉成像光谱仪等波长光谱重建方法研究[J]. 光谱学与光谱分析, 2016, 36(3): 848-852.
Article Outline
朱锋, 安军社, 施海亮, 熊伟, 王先华. 干涉成像光谱仪空谱信息同步复原方法[J]. 光学学报, 2022, 42(24): 2430001. Feng Zhu, Junshe An, Hailiang Shi, Wei Xiong, Xianhua Wang. Simultaneous Spatial and Spectral Information Recovery for Interferometric Imaging Spectrometer[J]. Acta Optica Sinica, 2022, 42(24): 2430001.