# 一、论文标题 基于张量分解与各向异性全变分约束的高光谱图像去噪优化算法

《Canadian Journal of Remote Sensing》：Optimization algorithm for hyperspectral image denoising based on tensor decomposition and total variation constraints

　　

高光谱图像（Hyperspectral Image, HSI）技术在众多行业中具有广泛应用，然而图像在采集与传输过程中常受到噪声干扰，导致信息解译困难。为提升去噪效果，本研究提出一种融合张量分解与各向异性全变分（Total Variation, TV）约束的去噪优化算法。该算法利用低秩张量分解（Low-Rank Tensor Decomposition, LRTD）捕获高光谱数据的全局低维结构，以实现噪声与信号的初步分离；同时引入各向异性全变分正则项，在空间维度上施加方向自适应梯度平滑以抑制残余噪声并保持边缘锐度，在光谱维度上保持波段间连续性以避免阶梯状失真。仿真实验结果表明，在高斯噪声条件下，所提算法在低、中、高噪声强度下的信噪比（Signal-to-Noise Ratio, SNR）分别达到 32.12 dB、29.84 dB 和 27.41 dB，均优于对比方法。此外，该算法在混合噪声场景下保持 26.32 dB 的信噪比，将光谱角映射（Spectral Angle Mapping, SAM）降至 0.061°，并取得 9.87 的全局相对误差指标，各项指标均优于对比方法。

# 四、论文主体解读

**研究背景与问题**

高光谱图像（HSI）技术是遥感领域的重要进展，已广泛应用于地质勘探、环境监测与农业评估等产业。HSI 不仅提供丰富的空间信息，还包含精细的光谱数据，为各类应用提供有价值的多维信息。然而在实际采集过程中，受设备限制、环境条件及传输干扰等因素影响，图像常被多种扰动破坏，导致图像质量下降、信息难以解译，因此 HSI 去噪技术研究尤为重要。传统空间域滤波与频域处理虽能在一定程度上去除噪声，但往往以损失部分图像细节为代价。已有学者相继提出基于变分模态分解、小波变换、参数化张量稀疏性度量、子空间模型、张量环（Tensor Ring, TR）分解以及各类张量-TV 混合方法（如交叉 TV 正则化单向非局部低秩张量逼近、空间-光谱全变分 SSTV 正则化低秩张量分解、光谱空间 L₀ 梯度正则化低秩张量分解）等去噪算法。深度学习方法（卷积神经网络 CNN、Transformer、注意力机制）近年亦成为重要范式，但其依赖大量标注训练数据，面对与训练分布不一致的噪声统计特性或成像条件时泛化能力下降，且多针对高斯噪声设计，在混合或结构化噪声场景下性能显著退化。现有方法的主要不足在于：未能同时利用 HSI 的非局部自相似性与局部空间平滑性，导致去噪图像出现光谱失真与空间细节模糊；模型泛化性与适应性有限；难以兼顾计算效率与精度；现有张量-TV 混合方法多将 TV 视为弱耦合的独立附加正则项，限制了两种先验的协同效应。与深度学习方法不同，所提框架不依赖外部训练数据，并通过具有物理意义的先验提供清晰可解释性，特别适用于训练样本稀缺或噪声特性不可预测的场景。

**研究内容与结论**

针对上述问题，研究人员提出一种基于低秩张量分解（LRTD）与 TV 约束的 HSI 去噪优化算法，其与现有方法的本质差异体现在三方面：其一，引入各向异性 TV 项，在空间维度进行梯度平滑的同时保持光谱维度连续性，避免各向同性 TV 引起的阶梯效应；其二，通过精心设计的正则化方案将 TV 约束直接嵌入张量分解目标，实现低秩逼近与空间光谱平滑的紧耦合；其三，采用 Chambolle 对偶与分裂 Bregman（Split Bregman）迭代加速优化过程，而这在多数现有张量-TV 框架中尚未涉及。上述差异共同构成本方法的核心创新。研究结论表明，该算法在多种噪声类型与强度下保持较高信噪比，具有良好稳定性与鲁棒性；在不同实际应用场景（农业评估与医学诊断）中，所提算法 PSNR 分别比最优对比算法高 8.4 dB 与 6.9 dB，SSIM 亦有提升，表现出广泛适用性与优越性。该研究不仅为 HSI 去噪提供了新颖高效的技术，也有望推动 HSI 技术的发展。

**关键技术方法**

研究人员主要采用以下关键技术：（1）基于 Tucker 分解（TucD）的低秩张量分解，以交替最小二乘（ALS）求解因子矩阵与核心张量，并引入图像块匹配策略构建三维近似张量；（2）各向异性全变分（TV）正则化，构建 TV 约束的低秩张量分解（TVC-LRTD）联合优化框架；（3）采用 Chambolle 对偶公式与分裂 Bregman 迭代求解非可微 TV 项，并施加齐次 Neumann 边界条件；（4）以峰值信噪比（PSNR）、结构相似性（SSIM）、SNR、特征相似性指数（FSIM）、全局相对误差（ERGAS）、光谱角映射（SAM）及运行时间进行评价。样本队列来源为 Urban HYDICE、Pavia University、Washington DC Mall、Indian Pines 四个公开数据集，并额外选用农业基准 Salinas Valley 与公开医学 HSI 数据集 HeiPorSPECTRAL 进行验证。

**研究结果**

*1. 实验设置*：通过设定具体实验环境，确定以 PSNR、SSIM、SNR 为主要评价指标，辅以 FSIM、ERGAS、SAM 与运行时间；给出所提算法与 BM3D、WNNM、K-SVD 等基准算法的参数配置；数据集包含 Urban HYDICE（307×307，原始 210 波段，去除噪声与吸水波段后保留 162 波段）、Pavia University、Washington DC Mall 与 Indian Pines，并对各波段独立添加零均值加性高斯白噪声（方差 σ²=0.05），每项实验独立重复 10 次取均值。

*2. 参数敏感性分析与消融研究*：通过在 Urban HYDICE 数据集上的网格搜索与人工经验结合实验，得出在合理参数范围内 PSNR 波动小于 1.2 dB、q 超过 10 时性能趋于饱和、W_s=30 时效果最佳，表明算法具有较强参数鲁棒性。消融实验比较仅 LRTD、仅 TV 与完整 TVC-LRTD 三种配置，得出完整模型在所有指标上均优于单一组件配置，证实低秩分解与 TV 约束之间存在协同效应。

*3. 与经典基准方法的对比分析*：通过图像视觉效果对比、Pavia University 数据集上逐波段 PSNR 与 SSIM 对比及光谱曲线对比，得出所提算法平均 PSNR 达 45.2 dB、平均 SSIM 达 0.96，均高于 BM3D（34.3 dB、0.89）、WNNM（33.5 dB、0.93）与 K-SVD（27.6 dB、0.79），去噪后光谱值最接近原始光谱值。通过不同噪声类型与强度下的稳定性实验（低、中、高噪声水平分别对应标准差 σ=10、20、30），得出所提算法在高斯噪声下 SNR 分别为 32.12 dB、29.84 dB、27.41 dB，在椒盐噪声与泊松噪声下呈类似趋势，混合噪声下保持 26.32 dB，均优于对比算法；同时指出算法对不同噪声类型采用相同保真项可能并非最优。

*4. 不同场景下 TVC-LRTD 的性能分析*：通过在 Washington DC Mall 与 Indian Pines 数据集上与基于深度学习、稀疏表示、小波变换的三类算法对比误差收敛、PSNR 与 SSIM，得出所提算法稳定后误差分别为 0.003 与 0.002，优于对比算法；在 Indian Pines 与 Washington DC Mall 上平均 PSNR 分别为 33.1 dB 与 33.3 dB，平均 SSIM 分别为 0.82 与 0.83，均最优。通过在 Salinas Valley 与 HeiPorSPECTRAL 数据集上的测试，得出所提算法在农业评估与医学诊断场景下 PSNR 分别高出最优对比算法 8.4 dB 与 6.9 dB，SSIM 亦有提升。

*5. TVC-LRTD 与先进算法的对比*：通过与 DAC-PE、CSSF-ML 等方法在图像质量与计算效率方面的对比，得出所提方法在各噪声水平下图像质量更高，噪声水平为 100 时 PSNR 为 27.712 dB，而其他方法介于 25.3～25.8 dB；随噪声增大各方法 PSNR 与 SSIM 均下降，但所提方法降幅较小（18%）。通过与 Single-CNN、WTGDNet、潜在扩散 Transformer、多尺度空间光谱频率联合去噪网络（MSFDN）对比并进行配对 t 检验，得出所提方法在 SAM、ERGAS、SSIM、FSIM 指标上最优且具统计学显著性（p<0.05），PSNR 略低于 MSFDN，但在关键光谱指标上优势明显，运行速度快于基于 Transformer 的网络且无需训练过程。

*6. 不同算法的复杂度分析*：通过定性比较各算法复杂度，得出 BM3D、WNNM、K-SVD、深度学习方法的复杂度表达，而所提 TVC-LRTD 总复杂度约为 O(n₁n₂n₃·min(n₁n₂,n₃)+n₁n₂W_s²p²m)，参数固定时随数据规模近似线性增长，且无需训练阶段。

**讨论部分总结**

讨论部分通过对 TVC-LRTD 与 BM3D、WNNM、K-SVD 的对比实验得出，所提方法去噪性能明显更优，结果与 De Oliveira 及 Xiong 的研究相一致；混合噪声高强度下仍保持 26.32 dB 的 SNR，高于 BM3D 3.05 dB。除数值提升外，SSIM 由 0.93 提升至 0.96（结构保真度提升 3.2%），可望使土地覆盖分类等下游任务精度提升 2%～5%；SAM 由 WTGDNet 的 0.079° 降至 0.061°，对矿物勘探与植被物种识别等依赖精细光谱特征的应用尤为重要；计算效率上该方法（14.68 s）慢于轻量 CNN（4.28～5.76 s）但快于基于 Transformer 的模型（16.92 s），在标注数据稀缺场景下提供了精度与免训练推理间的实用折中。在代价与可扩展性方面，合成数据测试表明数据量由 128² 增至 1024² 时运行时间约增加 65 倍，与理论分析一致；超大规模 HSI 可采用分块处理；当前 MATLAB 实现主要依赖 GPU 加速，无 GPU 环境下运行时间预计增加 3～5 倍；资源受限部署时可减少迭代次数（50 降至 20）与搜索窗口（30 降至 15），运行时间约减少 60%，PSNR 损失约 1.0～1.5 dB。研究同时指出若干局限：计算负担方面当前 MATLAB 实现或难以满足星载实时处理需求，未来将探索优化的 C++/Python 实现；参数调优方面涉及六个关键参数，未来将研究自适应参数选择策略（如贝叶斯优化）；噪声类型适应性方面当前对所有噪声采用统一保真项，未来将探索噪声自适应保真项（如对脉冲噪声采用 L₁ 范数）；泛化性方面该框架尚未在超分辨率、去云等其他 HSI 恢复任务中验证，为有前景的未来方向。

**结论翻译**

为降低 HSI 在采集与传输过程中的噪声干扰，本研究提出并构建了一种 TVC-LRTD 联合优化去噪算法。该方法设计各向异性 TV 正则化，在空间维度去噪的同时保持光谱连续性，并采用 Chambolle 对偶与分裂 Bregman 迭代实现高效求解。通过仿真实验发现，该算法在高斯噪声环境下表现良好，信噪比高于其他常用算法，且能更好地保留图像细节。实证分析结果表明，该算法在 SNR、PSNR 与 SSIM 值方面均显著优于其他受评估算法，展现出良好的去噪性能与实用性。根据上述发现，本研究不仅为 HSI 去噪提供了一种新颖高效的技术，也具有推动 HSI 技术发展的潜力。