基于超表面编码的单像素高光谱成像技术

《Advanced Photonics Research》：Metasurface-Encoded Single-Pixel Hyperspectral Imaging

单像素高光谱成像系统（MESH）通过超表面宽带滤波器、空间调制和压缩感知优化算法实现高效光谱重建，光谱分辨率为1.17 nm，在压缩比2.1%时仍保持30.96 dB峰值信噪比和0.8526结构相似性，适用于低光和资源受限场景。

　　本研究介绍了一种基于超表面编码的单像素超光谱成像系统（MESH），旨在解决传统超光谱成像技术在硬件体积、低光环境下的鲁棒性和数据存储与传输效率等方面存在的问题。通过结合结构化的空间调制与一组由二进制模式生成策略设计的50个宽带超表面滤光片，MESH系统能够在减少数据维度的同时，保持较高的光谱分辨率和图像质量。这种系统的设计不仅提升了数据采集的效率，还为在资源受限或低光条件下的实际应用提供了新的可能性。

超光谱成像（HSI）是一种能够同时获取空间和光谱信息的强大光学成像技术。与传统的RGB成像不同，HSI通过在每个空间位置密集采集光谱数据，从而实现对细微化学或结构差异的高灵敏度检测与识别。这项技术在遥感、生物医学诊断、环境监测和材料识别等领域具有广泛的应用价值。然而，传统HSI方法在实际应用中面临三大挑战：一是通常依赖于空间或光谱维度的顺序扫描，导致采集速度缓慢和光学系统体积庞大；二是直接获取超光谱数据需要大量的存储空间和传输带宽，从而增加系统的功耗和处理负担；三是低光或光子匮乏条件下，传统HSI系统往往面临信噪比（SNR）低的问题，这不仅影响图像质量，还导致光谱重建的不可靠性。

为了解决这些问题，基于压缩感知（CS）理论的单像素HSI技术逐渐受到关注。该技术通过单像素探测器获取一系列编码测量值，从而实现超光谱数据立方体的重建，有效降低了数据维度并提高了低光条件下的SNR。目前，研究人员在光谱解析方面采用了多种方法，如色散光学、干涉架构和宽带光学滤光片。虽然这些方法各有优势，但也伴随着各自的局限性。例如，基于光栅的色散方法需要复杂的光学系统，限制了其便携性；而干涉架构则对光学对齐和系统稳定性提出了较高要求，容易受到振动和环境扰动的影响；相比之下，宽带滤光片具有结构紧凑、无需对齐和易于集成的优点，但其设计灵活性有限，难以实现复杂的光谱编码方案，这在一定程度上制约了系统整体性能的提升。

在此背景下，超表面技术的出现为解决上述问题提供了新的思路。超表面是一种能够灵活调控光场振幅、相位和偏振的光学元件，其中介电超表面因其高光学效率和广泛的光谱调制能力，特别适用于HSI系统的光谱编码。此前的研究已经展示了相变超表面在短波红外波段作为可调滤光片用于单像素HSI的应用，而本研究则进一步拓展了这一技术至可见光波段。通过将宽带光谱编码、单像素检测和计算重建算法集成在一个统一的框架中，MESH系统不仅提升了数据采集的效率，还实现了高分辨率的光谱重建。

在MESH系统中，光谱编码使用了一组50个具有低互相关性的超表面滤光片，这些滤光片基于二进制模式生成策略设计，确保了在可见光谱范围内（400-700纳米）具有丰富的光谱响应。每个滤光片都具有独特的波长依赖性传输特性，能够有效区分不同波长的光信号。通过结合空间调制矩阵和光谱调制矩阵，系统能够将空间和光谱信息压缩为低维测量信号，这些信号随后通过稀疏约束优化算法进行重建，以恢复高维的超光谱数据立方体。

为了进一步提升重建效率，本研究引入了一种物理增强的深度学习模型。该模型通过将物理知识融入深度神经网络的训练过程中，能够快速且准确地恢复超光谱数据。这种数据驱动的重建方法不仅加快了处理速度，还提高了在不同压缩比下的图像质量。实验结果表明，即使在总压缩比仅为2.1%的情况下，深度学习模型仍能保持较高的重建质量，其峰值信噪比（PSNR）达到30.96 dB，结构相似性（SSIM）为0.8526，光谱角度映射（SAM）为0.0742 rad，这表明模型在强度恢复、结构保持和光谱完整性方面均表现出色。

为了验证MESH系统的光谱分辨率，研究人员使用合成超光谱场景进行数值评估。这些场景包含多个在可见光范围内具有不同波长特征的光谱信号，例如在410纳米附近设置两个1纳米FWHM的高斯光谱。通过将这些光谱信号与实际的超光谱数据进行对比，研究人员确认了MESH系统在相邻光谱信号之间的分辨能力，其平均光谱分辨率达到1.17纳米，表明系统能够有效区分波长间隔小于2纳米的光谱信号，且在不同区域中均能保持较低的串扰。

在实际应用方面，MESH系统在ARAD_1K超光谱数据集上进行了测试，该数据集包含了950张户外自然场景的超光谱图像，覆盖400-700纳米波段，间隔为10纳米。为了匹配MESH系统的光谱分辨率目标（1纳米间隔），研究人员对原始数据进行了三次样条插值，将31个波段扩展为301个波段。随后，图像被分割为非重叠的64×64×301像素块，以减少训练过程中的内存负担。通过这种分块策略，研究人员能够高效地训练和测试模型，最终获得了高质量的重建结果。

在深度学习模型的构建过程中，研究团队设计了三种代表性的解码器，包括基于残差卷积块（RC Block）的网络、AWAN网络和MST++网络。这些解码器分别采用了不同的架构，以测试其在不同压缩比下的性能。实验结果显示，MST++网络在所有压缩比下均表现出最佳的性能，其PSNR、SSIM和SAM指标均优于其他解码器。特别是在总压缩比仅为2.1%的情况下，MST++网络仍能实现30.96 dB的PSNR、0.8526的SSIM和0.0742 rad的SAM，表明该系统即使在高度压缩的条件下，也能保持较高的重建质量。

此外，研究人员还对MESH系统的鲁棒性进行了评估，特别是在不同信噪比（SNR）下的表现。通过引入高斯噪声，系统在SNR为40 dB的情况下依然能够实现高质量的图像和光谱重建。这表明MESH系统在实际应用中具有较强的抗噪能力，能够适应各种复杂环境下的数据采集需求。

综上所述，MESH系统通过结合超表面编码、单像素检测和计算重建算法，为超光谱成像技术提供了一种高效、紧凑且高分辨率的解决方案。其设计不仅克服了传统HSI系统在硬件体积和低光条件下性能受限的问题，还通过物理增强的深度学习模型显著提升了重建速度和精度。这些成果为未来在低光和资源受限环境下的实际应用奠定了基础，同时也为超光谱成像技术的进一步发展提供了重要的理论支持和实验验证。