基于两步迭代收缩阈值的编码孔径光谱数据复原算法

第44卷第6期航天返回与遥感2023年12月SPACECRAFT RECOVERY & REMOTE SENSING93一种基于Transformer结构的压缩光谱图像重建方法李娇娇梁欣怡宋锐李云松（西安电子科技大学，西安710071）摘要编码孔径快照光谱成像系统（Coded Aperture Snapshot Spectral Imaging，CASSI）与传统高光谱成像方式相比，具有采集时间短、成本功耗低等优点，因此研究基于CASSI系统获取的压缩图像重建技术在一定程度上有利于解决高光谱图像获取困难的问题。

基于此设想，文章深入研究基于光谱维度感知的多头自注意力光谱重建模型，不同于以往在空间维计算全局相关性，该方法沿光谱维计算自注意力；此外，将CASSI系统中物理掩模的潜在引导性引入自注意力计算。

在此基础上，文章研究发现上述原始网络对于捕获空间维信息具有局限性，提出加入空间维信息提取、空间维与光谱维之间的信息交互模块以及频域约束，整合为基于光谱和空间信息混合先验的压缩光谱图像重建网络（Mix Spectral-Spatial Prior Information for Efficient Hyperspectral Image Reconstruction，MixT）。

实验结果表明：1）空间维信息、维度交互模块和频域约束的加入能提升图像重建性能；2）MixT方法在测试数据集上的峰值信噪比（Peak Signal to Noise Ratio，PSNR）为35.50，结构相似性（Structure Similarity Index Measure，SSIM）为0.948，均高于五种现有相关算法。

关键词高光谱图像编码孔径快照光谱成像系统光谱重建计算光谱成像遥感应用中图分类号: V445文献标志码: A 文章编号: 1009-8518(2023)06-0093-16DOI: 10.3969/j.issn.1009-8518.2023.06.009Compressive Spectral Image Reconstruction Method Based onTransformer StructureLI Jiaojiao LIANG Xinyi SONG Rui LI Yunsong（Xidian University, Xi'an 710071, China）Abstract Compared with traditional hyperspectral imaging methods, coded aperture snapshot spectral imaging (CASSI) has the advantages of quick acquisition, low cost and power consumption, so the study of compressive image reconstruction technology based on CASSI system is beneficial to solve the difficulty in obtaining hyperspectral images to a certain extent. Based on this assumption, this paper deeply analyzes a multi-head self-attention spectral reconstruction model based on spectral dimension perception, which is different from the previous calculation of global correlation of spatial dimensions, this method calculates收稿日期：2023-06-28基金项目：地理信息工程国家重点实验室开放基金（SKLGIE2020-M-3-1）引用格式：李娇娇, 梁欣怡, 宋锐, 等. 一种基于Transformer结构的压缩光谱图像重建方法[J]. 航天返回与遥感, 2023, 44(6): 93-108.LI Jiaojiao, LIANG Xinyi, SONG Rui, et al. Compressive Spectral Image Reconstruction Method Based on Transformer Structure[J]. Spacecraft Recovery & Remote Sensing, 2023, 44(6): 93-108. (in Chinese)94航天返回与遥感2023年第44卷self-attention along the spectral dimension. In addition, the potential guiding function of physical masks in CASSI systems is introduced into attention computing. On this basis, it is found that the above primitive network has limitations in capturing spatial dimensional information, so it is proposed to add spatial dimension information extraction, spatial-spectral dimension information interaction module and frequency domain loss to form the MixT network that blends spectral and spatial information a priori. The experimental results show that: 1) the addition of spatial dimension information, dimensional interaction module and frequency domain loss can improve the image reconstruction performance; 2) compared with five state-of-the-art models, the MixT method achieve best reconstruction performance.Keywords hyperspectral image; CASSI system; spectral reconstruction; computing spectral imaging; space remote sensing0 引言高光谱遥感作为一种综合性的遥感技术手段，其获取的高光谱图像波段范围涵盖从可见光到红外甚至热红外的范围。

连续推扫计算光谱成像技术相里斌;吕群波;刘扬阳;孙建颖;王建威;姚涛;裴琳琳;李伟艳【摘要】计算光谱成像技术具有高通量、快照成像等优点,但快照成像采样数据量不足,导致利用压缩感知方法重构图谱精度很低.通过对计算光谱成像技术各个环节进行系统研究,提出一种新型的连续推扫计算光谱成像技术,利用正交循环编码孔径代替传统的随机编码孔径,通过逐行扫描方式及正交变换可完整重构图谱数据.仿真和实际成像结果表明,连续推扫计算光谱成像技术可消除图谱混叠影响,理论上可完全重构图谱信息,重构图谱精度明显优于传统的计算光谱成像技术.相比国际上提出的多次曝光计算光谱成像技术,连续推扫计算光谱成像技术不需要改变编码孔径与探测器间的相对位置,也不需要凝视成像,系统中没有活动元件,稳定性高,适用于常规航空航天遥感推扫成像.%Computational imaging spectrometry(CIS)has drawn great attention in recent years.It has the advantages of high optical throughput,snapshot imaging and so on.On the other hand,CIS has the disadvantage of insufficiency in sparse sampling which reduce the accuracy of reconstructed spatial-spectral data.By analyzing the optical property of CIS,a continuous pushb-room computational imaging spectrometry(CPCIS)is presented.In CPCIS,the orthogonal cyclic coded aperture was used,and the continuous scanning line by line was implemented through platform moving.The entire spatial-spectral data was reconstruc-ted by orthogonal inversion.According to the imaging simulation and experiment,the aliasing in spatial-spectral image was elim-inated,and the reconstructed image was well paring to multiframe CIS,CPCIS has no moveable element,which can image withoutstaring the object,thus it is suitable for the airborne and spaceborne remote sensing applications.【期刊名称】《光谱学与光谱分析》【年(卷),期】2018(038)004【总页数】6页(P1256-1261)【关键词】计算成像;光谱成像;信息重构【作者】相里斌;吕群波;刘扬阳;孙建颖;王建威;姚涛;裴琳琳;李伟艳【作者单位】中国科学院光电研究院,北京 100094;中国科学院计算光学成像技术重点实验室,北京 100094;中国科学院光电研究院,北京 100094;中国科学院计算光学成像技术重点实验室,北京 100094;中国科学院大学,北京 100049;中国科学院光电研究院,北京 100094;中国科学院计算光学成像技术重点实验室,北京 100094;中国科学院大学,北京 100049;中国科学院光电研究院,北京 100094;中国科学院计算光学成像技术重点实验室,北京 100094;中国科学院光电研究院,北京 100094;中国科学院计算光学成像技术重点实验室,北京 100094;国防科工局重大专项工程中心,北京 100101;中国科学院光电研究院,北京 100094;中国科学院计算光学成像技术重点实验室,北京 100094;中国科学院光电研究院,北京 100094;中国科学院计算光学成像技术重点实验室,北京 100094【正文语种】中文【中图分类】TP391.9引言光谱成像技术(imaging spectrometry， IS)作为光学遥感成像领域的重要研究方向，目前已经在遥感、生物医学、农业等诸多领域得到广泛应用[1-4]。

第44卷第6期航天返回与遥感2023年12月SPACECRAFT RECOVERY & REMOTE SENSING119基于非局部深度先验的编码孔径快照光谱成像重构算法王乙任1徐彭梅1,*王立志2苏云1崔博伦1朱军3（1 北京空间机电研究所，北京100094）（2 北京理工大学，北京100081）（3 航天东方红卫星有限公司，北京100094）摘要在编码孔径快照光谱成像（CASSI）重构领域，重构质量的提升受到图像先验正则化和优化方法的双重影响。

针对传统正则项设计复杂、调参效率低下及现有深度先验正则项感受野局限、难以捕捉长距离依赖等问题，以及基于模型的优化方法重建精度不足、端到端优化方法缺乏解释性的挑战，文章提出了一种创新的基于非局部深度先验的CASSI重构算法。

该算法通过构建非局部深度先验网络，在先验正则化方面实现高光谱图像空间与光谱维度的全局信息和长程依赖的深入捕捉；在优化方法上，引入了深度展开网络的多阶段架构，加快了收敛速度，并显著提高了重建质量。

仿真结果显示，新算法重建图像的峰值信噪比（PSNR）较传统方法提高了13.12 dB，较最新的深度学习方法提升了1.06 dB；同时，计算复杂度降低了43.4%，参数量减少了53.2%，有效保证了深度学习方法的计算效率。

试验验证结果显示新算法能够还原更多细节、恢复更多的结构和纹理，视觉效果较好，进一步验证了该算法的有效性。

这一研究可为深度学习在计算光谱成像重构领域的应用提供一定参考。

关键词计算光谱成像编码孔径快照光谱成像深度学习压缩感知中图分类号: TP391.9文献标志码: A 文章编号: 1009-8518(2023)06-0119-11DOI: 10.3969/j.issn.1009-8518.2023.06.011Reconstruction Algorithm Based on Non-Local Deep Prior for Coded Aperture Snapshot Spectral ImagersWANG Yiren1XU Pengmei1,*WANG Lizhi2SU Yun1CUI Bolun1ZHU Jun3（1 Beijing Institute of Space Mechanics & Electricity, Beijing 100094, China）（2 Beijing Institute of Technology, Beijing 100081, China）（3 DFH Satellite Co., Ltd., Beijing 100094, China）Abstract In the field of compressive aperture snapshot spectral imaging (CASSI) reconstruction, the enhancement of reconstruction quality is dually influenced by image prior regularization and optimization methods. Addressing the complexities and inefficiencies in tuning traditional regularizers, as well as the limited收稿日期：2023-06-20基金项目：民用航天项目（D010206）引用格式：王乙任, 徐彭梅, 王立志, 等. 基于非局部深度先验的编码孔径快照光谱成像重构算法[J]. 航天返回与遥感, 2023, 44(6): 119-129.WANG Yiren, XU Pengmei, WANG Lizhi, et al. Reconstruction Algorithm Based on Non-Local Deep Prior forCoded Aperture Snapshot Spectral Imagers[J]. Spacecraft Recovery & Remote Sensing, 2023, 44(6): 119-129. (inChinese)120航天返回与遥感2023年第44卷receptive fields and difficulties in capturing long-range dependencies of existing deep prior regularizers, and the challenges of insufficient reconstruction accuracy in model-based optimization methods and lack of interpretability in end-to-end optimization approaches, this paper proposes an innovative CASSI reconstruction algorithm based on non-local deep prior. This algorithm, through the construction of a non-local deep prior network, achieves comprehensive capture of global information and long-range dependencies in both spatial and spectral dimensions for hyperspectral images in the aspect of prior regularization. In terms of optimization method, the introduction of multi-stage architecture in the deep unfolding network accelerates convergence and significantly enhances the reconstruction quality. Simulation results demonstrate that the proposed algorithm achieves a peak signal-to-noise Ratio (PSNR) improvement of 13.12 dB over traditional methods and 1.06 dB over the latest deep learning approaches. Concurrently, it reduces computational complexity by 43.4% and the number of parameters by 53.2%, effectively ensuring the computational efficiency of the deep learning method. Experimental validation results indicate that the new algorithm can restore more details, recover more structures and textures, and provide better visual effects, further verifying its effectiveness. The above research offers valuable references for the application of deep learning in computational spectral imaging reconstruction.Keywords computational spectral imaging; snapshots spectral imaging; deep learning; compressive sensing0 引言高光谱成像技术能够获取图谱合一的三维数据立方体。

专利名称：一种基于自适应快速迭代收缩阈值算法的图像处理方法
专利类型：发明专利
发明人：王伟,吴小玲,姚庆强,朱松盛,周宇轩,刘宾
申请号：CN201811059725.2
申请日：20180912
公开号：CN109345473A
公开日：
20190215
专利内容由知识产权出版社提供
摘要：本发明公布一种基于自适应快速迭代收缩阈值算法的图像处理方法，包括八个步骤，对原始图像进行重新构建。

本方法获取的图像相比现有的三种算法而言，可以显示出更多的局部细节和更清晰的轮廓；产生较少的误差点，提供更准确的重建；收敛速度快，具有相较其他方法更高的迭代效率；对于不同部位的图像重建具有稳定性。

申请人：南京医科大学
地址：210000 江苏省南京市江宁区龙眠大道101号
国籍：CN
代理机构：南京苏创专利代理事务所(普通合伙)
代理人：蒋真
更多信息请下载全文后查看。

cassi编码孔径快照光谱成像-回复[Cassi编码孔径快照光谱成像]是一种先进的光学成像技术，它采用了一种创新的成像模式，通过编码孔径来实现全景成像和光谱分析的一体化，具有高效、精确和灵活的特点。

在本文中，我将一步一步地回答关于Cassi 编码孔径快照光谱成像的问题，以帮助读者更好地理解并了解这一新兴技术。

第一步：什么是Cassi编码孔径快照光谱成像？Cassi编码孔径快照光谱成像是一种基于光学技术的成像方法，可以同时获取目标物体的全景图像和光谱信息。

传统的光谱成像技术需要在不同波长范围内逐个进行成像，导致成像速度慢且对光照要求较高。

而Cassi编码孔径快照光谱成像通过在光路中引入编码孔径，可以在一次观测中获取多个波长范围的光谱信息，从而大大提高成像效率和精确度。

第二步：Cassi编码孔径快照光谱成像的原理是什么？Cassi编码孔径快照光谱成像的原理可以分为两个关键步骤：编码孔径生成和重构解码。

在编码孔径生成阶段，Cassi系统通过使用具有不同空间频率或者相位编码的子孔径来编码入射光。

这些子孔径被设计为对称和互补的，以实现高效的信号采集。

编码孔径可以通过使用特殊材料的光学元件或者使用计算成像方法生成。

在重构解码阶段，Cassi系统通过解码编码孔径获得全景图像和光谱信息。

解码过程中，通过光学透镜和相移等方法将编码孔径解码为全景图像，并通过多光谱成像技术获得多个波长范围的光谱信息。

第三步：Cassi编码孔径快照光谱成像的优势是什么？Cassi编码孔径快照光谱成像相比传统的光谱成像技术有以下优势：1. 高效：Cassi系统可以在一次观测中获取多个波长范围的光谱信息，大大提高了成像速度和效率。

相比逐个进行成像的传统方法来说，Cassi系统可以在较短的时间内获取更多的数据。

2. 精确：Cassi系统利用编码孔径和解码算法，可以准确地重构出全景图像和光谱信息，提高了成像的精确度和准确性。

同时，编码孔径的设计还可以减少光照条件对成像结果的影响。

第41卷第1期航天返回与遥感2020年2月SPACECRAFT RECOVERY & REMOTE SENSING91基于全变分正则项的CASSI数据重构算法王业超1,2陈晓丽1,2钟晓明1,2赵海博1,2张丽莎1,2苏云1,2（1 北京空间机电研究所，北京 100094）（2 先进光学遥感技术北京市重点试验室，北京 100094）摘要在编码孔径快照光谱仪（Coded Aperture Snapshot Spectral Imager，CASSI）光谱重构算法设计中，两步迭代收缩阈值（Two-Step Iterative Shrinkage/Threshold，TwIST）算法实现了CASSI的光谱重构，但因正则项选取和引入的噪声随迭代次数而不断放大，导致其光谱重构精度低于80%。

文章在TwIST算法基础上，以光谱图像具有空间平滑过渡特性为先验知识，提出两点改进：一是选择全变分正则约束项；二是对每一步迭代的更新项进行全变分去噪处理。

为了验证改进后的算法，文章通过计算机仿真CASSI的采集数据，得出仿真数据光谱重构精度为90.93%；并根据CASSI样机采集试验数据，得出试验数据的光谱重构精度为86.56%。

改进后的算法可为以后CASSI数据重构提供参考。

关键词两步迭代收缩阈值压缩感知编码孔径全变分光谱重构光谱仪中图分类号: TP751文献标志码: A 文章编号: 1009-8518(2020)01-0091-11DOI: 10.3969/j.issn.1009-8518.2020.01.011A Reconstruction Algorithm of CASSI Data Based on Total VariationRegular TermsWANG Yechao1,2 CHEN Xiaoli1,2 ZHONG Xiaoming1,2 ZHAO Haibo1,2 ZHANG Lisha1,2 SU Yun1,2（1 Beijing Institute of Space Mechanics & Electricity, Beijing 100094, China）（2 Key Laboratory for Advanced Optical Remote Sensing Technology of Beijing, Beijing 100094, China）Abstract In designing spectral reconstruction algorithm for Coded Aperture Snapshot Spectral Imager (CASSI), the two-step iterative shrinkage/threshold (TwIST) algorithm can realize spectral reconstruction of CASSI, but the accuracy of spectral reconstruction is lower than 80% due to selection of regular terms and amplification of the introduced noise with the increase of iteration number. In this paper, based on the study of the traditional TwIST algorithm, two improvements are proposed, selecting the total variation regular constraint terms and denoising the updated terms in each iteration. In order to verify the improved algorithm, the data of CASSI are simulated by computer, with the spectral reconstruction accuracy 90.93%. The CASSI prototype is built to collect the experimental data, and the spectral reconstruction accuracy of the experimental data is 86.56%. The research results provide a reference for the following CASSI data reconstruction.Keywords two-step iterative shrinkage/threshold (TwIST); compressed sensing; coded aperture; total variation; spectral reconstruction; spectral imager收稿日期：2019-10-16基金项目：北京市科技计划课题（Z181100003018003）引用格式：王业超, 陈晓丽, 钟晓明, 等. 基于全变分正则项的CASSI数据重构算法[J]. 航天返回与遥感, 2020, 41(1): 91-101.WANG Yechao, CHEN Xiaoli, ZHONG Xiaoming, et al. A Reconstruction Algorithm of CASSI Data Based on Total Variation Regular Term[J]. Spacecraft Recovery & Remote Sensing, 2020, 41(1): 91-101. (in Chinese)92 航 天 返 回 与 遥 感 2020年第41卷 0 引言编码孔径快照光谱仪（Coded Aperture Snapshot Spectral Imager ，CASSI ）是在压缩感知理论框架下发展起来的。

专利名称：一种基于改进迭代收缩阈值算法的微观3D重建方法
专利类型：发明专利
发明人：张明新,伍秋玉,刘永俊,钱振江,张喆
申请号：CN201810529288.X
申请日：20180529
公开号：CN108805975A
公开日：
20181113
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于改进迭代收缩阈值算法的微观3D重建方法，包括设定相对模糊度初值，计算热扩散方程的解，求解能量方程判断是否小于能量阈值，小于能量阈值时直接得到深度信息值，不小于能量阈值时计算加速算子带入迭代公式，重新进行梯度估计，利用割线线性搜索求出的最优迭代步长带入迭代公式，再求出深度信息值。

该方法能加快离焦深度恢复动态优化问题的收敛速度，提高微观3D形貌重建的精度。

申请人：常熟理工学院
地址：215500 江苏省苏州市常熟市南三环路99号
国籍：CN
代理机构：南京苏高专利商标事务所(普通合伙)
代理人：张俊范
更多信息请下载全文后查看。

基于双树复小波的双阈值迭代地震数据重建唐国维;程鑫华;张岩【摘要】奈奎斯特采样定理对地震数据的采集提出了很高的要求,而地震勘探的复杂环境可能导致地震数据道缺失或者勘探成本上升,因此需要对地震数据进行重建,恢复地震数据的全貌.针对上述情况,对道缺失地震数据进行双树复小波变换,使用缺失地震数据的采样矩阵作为测量矩阵,在重建阶段提出一种基于双树复小波变换的双闽值迭代重建方法.与传统的基于小波变换或基于傅里叶变换和单阈值迭代算法(IST)相比,双树复小波变换有着平移不变、多方向选择等优良特性,而使用双阈值迭代能更好的重建地震数据.实验阶段采用marmousi数椐,验证了算法的可行性与有效性.【期刊名称】《微型电脑应用》【年(卷),期】2018(034)011【总页数】5页(P140-144)【关键词】地震数据重建;稀疏表示;压缩感知;迭代阈值收缩【作者】唐国维;程鑫华;张岩【作者单位】东北石油大学计算机与信息技术学院,大庆163318;东北石油大学计算机与信息技术学院,大庆163318;东北石油大学计算机与信息技术学院,大庆163318【正文语种】中文【中图分类】TG40 引言现在的高分辨率地震勘探技术对地震数据的规则性以及完整性提出了更高的要求。

然而由于客观地质条件、勘探成本以及其他环境因素，在地震勘探时，无效的地震道采样、坏道、以及各种不规则的干扰数据通常都会对地震数据进行一定程度的干扰，使得野外勘探得到的数据往往是不规则和不完整的。

若不对缺失的地震数据进行处理，会影响多次波压制、偏移等处理结果，并最终影响地震资料的解释和油气藏的评价。

在实际勘探过程中，处理不规则采样数据的一些相对简单的方法，如拷贝或线性插值出邻近道、忽略空缺道等做法均有不足之处。

因此，寻求一个快速而有效的地震数据重建方法，对于地震数据的分析以及后续工作具有重大意义。

地震数据重建，即利用一定的方法和手段对已有的道缺失地震数据进行插值重建处理，生成完整的或者采样率更高的地震数据。

图像压缩感知的双收缩快速迭代算法段世芳;马社祥【期刊名称】《计算机工程》【年(卷),期】2012(038)019【摘要】Aiming at the problems of worse reconstructed image quality and larger time complexity of image Compressed Sensing(CS) reconstruction algorithms, this paper presents a Double Shrinkage Fast Iterative Algorithm(DSFIA). This algorithm, which brings in threshold shrinkage and regularization parameter shrinkage, restores image signals by gradual iteration in order to speed up the convergence rate and improve the quality of restored images. Simulation results show that, compared with traditional threshold iterative algorithms, it makes Peak Signal to Noise Ratio(PSNR) of the reconstructed image be higher, and reduces running time when the sampling rate is low.%针对传统图像压缩感知重构算法重构质量差及时间复杂度大的问题,提出一种双收缩快速迭代算法.通过引入阈值和正则化参数的双收缩,逐步迭代恢复图像信号,以加快收敛速度,改善重构质量.仿真结果表明,与传统阈值迭代算法相比,该算法重构图像的峰值信噪比较高,在低采样率下运行时间较少.【总页数】4页(P226-228,232)【作者】段世芳;马社祥【作者单位】天津理工大学计算机与通信工程学院,天津300384;天津理工大学计算机与通信工程学院,天津300384【正文语种】中文【中图分类】TN911.73【相关文献】1.基于curvelet变换快速迭代收缩阈值算法的压缩采样磁共振图像重建 [J], 王翰林;周宇轩;王伟2.基于小波树结构和迭代收缩的图像压缩感知算法研究 [J], 练秋生;肖莹3.基于双局部阈值小波收缩的图像去噪算法 [J], 刘洪;刘宇红4.基于压缩感知的图像传感数据双域水印算法 [J], 肖迪;周佳奇;常燕廷5.基于压缩感知的强鲁棒性彩色图像双水印算法 [J], 石红芹;王艳;余鹰因版权原因，仅展示原文概要，查看原文内容请购买。