高光谱压缩成像实现与数据处理研究

摘要：高光谱遥感压缩采样是压缩感知应用的一个重要领域，为进一步提升高光谱成像系统的分辨率和减少数据量提供了很好的技术支撑。该文讨论了压缩感知光谱成像技术的具体实现方案与后期数据处理方法，针对高光谱遥感的不同空间成像方式，围绕摆扫型和推扫型两种方式分析了压缩成像设计方案和具体实现模型。在分析现有高光谱图像重建方法基础上就未来研究方向展望进行了讨论，并就压缩采样数据的直接应用等方面进行了探究。

关键词：高光谱遥感;压缩采样;成像方式;数据处理

中图分类号：TP75    文献标识码：A

文章编号：1009-3044（2022）20-0103-02

1 引言

高光谱遥感成像技术集光谱与成像为一体，同时获取目标物体的空间信息和光谱信息，具有极强的地物分类和识别能力，研究人员可以利用地物光谱特征来进行定性或定量分析，因此在航空航天遥感、国土资源调查、环境监测等领域有着广泛应用前景。

高的空谱分辨率是高光谱成像仪获得更广泛应用的前提，在现有成像探测模式下，空间分辨率与光谱分辨率之间相互制约。通过增加探测器阵列的数量来提高分辨率会导致相邻阵列之间信号串扰增大等一系列问题，且工作在红外、紫外等非可见光谱的探测器制造难度较大且工作环境限制更苛刻。因此，如何进一步提升高光谱成像系统的分辨率仍是一个亟待解决的难题。基于压缩感知理论设计的高光谱压缩成像技术为研制具有高分辨率的高光谱成像仪提供了新的思路，能保证同时提升光谱分辨率和空间分辨率，在资源受限的遥感平台（星载/机载） 有广泛应用前景[1]。

本文对压缩感知理论在高光谱成像领域的应用进行研究讨论。针对高光谱遥感的不同空间成像方式（摆扫式和推扫式） ，讨论高光谱压缩采样的硬件实现方案，为高光谱压缩成像光谱仪的研制提供可行方案;期望能通过充分挖掘高光谱图像的各类先验信息来提高图像重建精度或将高光谱压缩采样数据进行信号分析后直接用于地物的成分分析与分类，为高光谱压缩成像光谱仪的具体应用提供可行思路。

2 高光谱压缩采样实现

随着压缩感知在各种应用领域研究的开展，高光谱压缩感知研究也开始受到重视，如美国杜克大学、哈佛大学以及国内的中科院遥感所、中国科技大学等高等院校和研究机构都开展了这方面的研究工作，近几年国内外每年都有较多关于高光谱压缩成像研究的文章在遥感和图像处理领域的学术期刊和国际会议上发表，该领域的研究虽然起步相对较晚，但是近几年来却相当活跃，一个主要研究方向就是高光谱压缩感知的采样实现。

2.1 编码孔径光谱成像与单像素光谱压缩成像

将压缩感知用于高光谱成像仪的设计，除了能获得更高的分辨率外，在数据采集的同时也达到了数据压缩的效果，因此该研究受到众多学者的关注，相关的研究成果多，提出的高光谱压缩成像方案也很多，但目前影响较大的主要有两大类：一类是可实现空间和谱间联合压缩采样的编码孔径光谱成像仪[2]，将传统的色散型光谱成像技术中的狭缝更换为特殊形式的二维编码模板，该成像系统对高光谱图像的空间信息进行编码，再将各谱段图像移位混叠压缩，再通过算法重建空间光谱图像;另一类是基于单像素相机的高光谱压缩感知成像仪[3]，实现了同时对空间信息和光谱信息的压缩采样。这些高光谱压缩成像方案都需要传感器一次性获取图像在整个空间范围内的信息，而实际的高光谱遥感成像通常都是利用遥感平台（机载或星载） 的固有运动，采用基于行的推扫或基于点的摆扫方式来逐步获取图像在整个空间范围内的信息。

2.2 高光谱摆扫式压缩成像

Whiskbroom（摆扫） 是高光谱遥感中广泛使用的一种扫描模式，它建立在一次对单个空间位置（像元） 采样的基础上，逐点实现整个空间的成像。摆扫式高光谱压缩成像方案的设计，先是光谱维向量单个压缩采样值的光学实现，再研究如何用并行方式来实现在一次曝光时间内获取多个压缩采样值，最后得到完整的摆扫式压缩方案。

参考上面的设计原理，高光谱摆扫型压缩成像方式先对单个像元进行光谱维向量的压缩采样，再通过摆扫运动依次扫描获取其他空间像元的压缩采样值。获取单个像元压缩采样值方案[4]如图1所示：输入光信号对应单个空间点（像元） 的光斑，通过色散元件（如衍射元件光栅） 转换成多个不同波长的光谱线，形成线状光谱。然后经过一维编码孔径对线状光谱实现空间编码，实现压缩采样。光电探测元件探测到会聚透镜聚集形成的光斑获得像元的压缩采样值。

2.3 高光谱推扫式压缩成像

Pushbroom（推扫） 式成像是传统高光谱成像仪经常采用的方式，典型代表如中科院上海技术物理所的PHI系统。推扫式成像每次采集数据均对应为一维空间信息，即一次对地面空间成像行（行像元） 进行采集。推扫式高光谱压缩成像方案研究，先是如何实现地面行中所有像元光谱维信息的压缩采样，再设计完整的推扫式压缩方案。

推扫式压缩成像技术在信号采集时，对地面成像行中每个像元光谱维信息进行随机压缩采样，地面空间成像行具体采样过程方案如下：首先采用入射狭缝使得地面的入射辐射光线中只有空间成像行对应的光线能进入成像系统的准直系统前焦平面上进行准直，然后再采用棱镜做色散分光处理。各波段单色光通过会聚镜后可平行入射到数字微镜器件（DMD，Digital Micromirror Device） ，由可编程控制的DMD各微镜通过偏转实现压缩采样，再经过柱面透镜被线探测器获取压缩采样值。方案如图2所示。

3 高光谱压缩采样数据处理

高光谱压缩感知能有效减少数据采样率，极大地促进新的高光谱成像技术发展。但高光谱压缩感知获取的只是随机投影数据，在实际应用场合需要恢复高光谱原始数据或对数据进行处理。目前的研究重点主要集中在两个方面：提高图像的重建精度并对重建算法进行优化以获取更快的执行速度;绕开烦琐的高光谱图像重建过程而直接用压缩采样数据来做场景分类、地物成分分析等数据处理。

3.1 高光谱压缩采样的图像重建

当需要恢复高光谱原始数据时，精度高、速度快的重建算法成为高光谱压缩成像设备能否实用的关键因素，结合高光谱图像各类模型的联合重建算法[5-6]受到重视。高光谱包含多个波段图像，在重建高光谱图像时可以利用已有的二维图像压缩感知重建算法分别重建波段图像，在此基础上通过利用高光谱图像的谱间相关性来提升重建精度，基于此的多正则化方法能有效处理高光谱的重建，该方法的一个最重要的问题是需要尽量利用合适的高光谱图像先验信息。此外，压缩感知重建过程需要大量的迭代会造成计算时间过长，重建过程也可以借助基于卷积神经网络的深度学习来完成快速重建。

该方向研究展望一：通过分析高光谱图像的各种特性来充分挖掘相关先验信息，提高光谱图像的重建精度。高光谱各波段图像的空间相关信息，除了相邻点之间具备相关性，地理结构的大范围使得不相邻的空间点之间也能提供一定的先验信息;高光谱的谱间相关信息除了在相邻波段比较明显外，某些不相邻波段之间相似度也很高这一特点值得利用;地理空间分布的特性，使得空间图像具备与其他图像不同的结构特性，如纹理信息，能够给重建算法提供新的先验信息;高光谱端元分解特性这一特性，可以利用线性混合模型等进行混合像元分解，用重建丰度系数矩阵来实现高光谱数据重建;高光谱的先验信息多种多样，同时利用多种先验信息能有效提高重建精度，但采用的先验信息越多，必将导致重建速度越慢，算法效率值得进一步研究。

该方向研究展望二：针对不同的空间成像方式下采样对象的特性，可借鉴匹配追踪、正交投影追踪、内点法等算法以及多正则项凸优化的思想，仔细分析高光谱数据的纹理、结构先验信息设计联合重建算法;分析高光谱图像的空谱联合信息，结合解混技术构造新的高精度联合重建算法。具体压缩采样方式下的数据重建方法以及重建性能分析也是研究重点，如针对摆扫式高光谱压缩采样方案，可结合分布式压缩感知来研究相应重建方法;针对推扫式压缩采样方案，研究多向量压缩感知重建算法实现高光谱图像的重建。针对不同的空间成像方案，可结合高光谱图像具备的纹理、结构先验信息来设计高光谱图像的联合重建算法;也可结合高光谱图像的空谱相关性和线性混合模型，研究更好保留光谱信息的高光谱图像重建算法。

该方向研究展望三：引入目前广受关注的深度学习。从算法理论的角度对深度学习算法进行改进来实现更优重建性能，将新算法与具体成像方式相结合应该效果会更好;研究泛化性更强的深度学习模型，由于高光谱数据量过大，数据收集不容易，往往训练集来源较少，当测试集选用某些高光谱数据时重建效果可能不是很好。高光谱数据量过大，训练过程过长导致深度学习在高光谱压缩采样领域的应用受限，因此，如何提高学习模型的训练效率值得关注。

3.2 高光谱压缩采样数据的直接应用

在一些具体遥感应用场合，人们并不需要高光谱图像数据本身，而是对某些高光谱特征信息（如目标分类信息、地物成分信息） 感兴趣。对高光谱压缩采样数据的直接应用，在采用高光谱压缩成像仪获取观测值后，绕开了高复杂性的高光谱数据重建过程，直接计算给定的端元丰度系数等信息。

该方向研究展望：将高光谱压缩采样数据进行直接应用，可先研究现有压缩感知理论中的压缩采样信号处理方法（用压缩采样数据直接做滤波、估计、模式识别等） ，再参考现有高光谱遥感图像分类与地物分析方法，然后针对高光谱遥感压缩成像的特征，将高光谱压缩采样数据直接用在地面场景分类与地物成分分析等方面，并设计相应的信号处理算法。

4 小结

本文分析了压缩感知理论在高光谱遥感的摆扫式和推扫式成像中的硬件实现以及数据处理方法，主要目的是为设计高光谱遥感的摆扫式和推扫式压缩成像硬件实现方案，并为进一步研究快速、高精度的高光谱图像重建方法提供思路，以及研究如何将不同空间成像方式下的压缩采样数据直接用于地物的成分分析与分类处理。论文内容对未来高光谱压缩成像系统在机/星载平台的具体实现和高光谱压缩采样数据的可行重建方案和应用研究具有一定参考价值。

总之，光谱压缩成像技术是高光谱遥感领域的一个巨大突破，该领域研究进展较快，但该方法尚处于实验室研究阶段，如何针对具体应用场景来设计压缩成像方案并优化相应的数据处理，最终实现工程应用，无疑需要进一步研究探索。

参考文献：

[1] 刘银年.高光谱成像遥感载荷技术的现状与发展[J].遥感学报，2021，25（1）：439-459.

[2] Xu C，Xu T F，Yan G，et al.Super-resolution compressive spectral imaging via two-tone adaptive coding：publisher's note[J].Photonics Research，2020，8（6）：892.

[3] Garcia H，Correa C V，Arguello H.Optimized sensing matrix for single pixel multi-resolution compressive spectral imaging[J].IEEE Transactions on Image Processing，2020，29：4243-4253.

[4] 贾应彪，冯燕.高光谱摆扫型压缩成像及数据重建[J].红外技术，2017，39（8）：722-727.

[5] 王相海，王顺，谢释铖，等.高光谱图像光谱维结构相关性及稀疏重建模型[J].中国科学：信息科学，2021，51（3）：449-467.

[6] 王忠良，何密，叶珍，等.线性混合光谱模型高光谱压缩感知[J].遥感学报，2020，24（3）：277-289.

【通联编辑：梁书】