HLTVSG：基于光谱梯度域的高光谱图像去噪方法解析

关注

原创 2026-03-24 10:07:26 420 阅读 AI 写同款· GEO 优化 ›

高光谱图像去噪技术：HLTVSG方法解析与应用 高光谱图像处理是遥感技术中的核心环节，其每个像素包含数百个连续波段的光谱信息，形成独特的三维数据立方体。这种数据结构在物质识别分类中具有显著优势，但也带来了特有的噪声问题。传统去噪方法如高斯滤波或BM3D在处理高光谱图像时，往往会导致光谱失真和细节丢失。HLTVSG（Hybrid Local and Total Variation in Spectral Gradient domain）方法通过引入光谱梯度约束，有效解决了这一问题。该技术在农业遥感、矿物勘探等领域具有重要应用价值，特别是在低照度条件下采集的阅读详情

论文：《Hyperspectral Image Denoising Based on Hyper-Laplacian Total Variation in Spectral Gradient Domain》

作者：Fang Yang，Qiangfu Hu，Xin Su

期刊：IEEE Transactions on Geoscience and Remote Sensing

一、问题背景

在高光谱图像去噪任务中，现有方法大致可以分为两类：基于模型的方法和基于深度学习的方法。其中，模型驱动方法通常依赖低秩性和局部平滑等先验（如TV正则）来约束问题。前者利用光谱维度的相关性提取主结构，后者通过局部平滑约束抑制噪声，这种组合在实际应用中被广泛采用。这篇论文并没有继续在模型结构上做复杂设计，而是回到两个更基础的问题：数据应该在哪个空间建模，以及正则项的分布假设是否合理。

首先，大多数方法直接在原始高光谱数据上建模。虽然HSI在光谱维度存在相关性，但整体数据仍然包含较多冗余信息，其低秩特性并不突出。同时，原始数据的变化较为复杂，使得基于局部平滑的约束（如TV）难以充分发挥作用。论文指出，当将数据转换到光谱梯度域后，这些性质会发生明显变化。光谱差分会削弱冗余信息，使数据在结构上更加紧凑，表现出更强的低秩性；同时，由于相邻波段具有较强相关性，差分后的图像信息量降低，熵更低，从而更符合TV所依赖的局部平滑假设。这使得低秩建模和TV约束在该空间中更容易发挥作用。

在正则建模方面，传统TV基于ℓ1范数，对应拉普拉斯分布。但论文通过统计分析发现，在子空间表示下，空间梯度更接近具有更强重尾特性的分布（hyper-Laplacian）。这意味着ℓ1约束难以准确刻画真实梯度分布，从而限制了细节和边缘的恢复能力。

基于以上分析，论文将问题重新聚焦为：

在更合适的建模空间中，结合更符合实际分布的正则约束，是否可以进一步提升高光谱图像的去噪效果。

二、光谱梯度域建模分析

在明确问题主要集中在建模空间和分布假设之后，论文的处理方式并不是直接修改模型结构，而是先改变数据的表示形式：对光谱维进行一阶差分，将原始HSI映射到光谱梯度域。

这种变化的意义不在于形式上的转换，而在于它带来的统计特性差异。

在光谱梯度域中，数据的低秩结构更加明显。与原始HSI相比，经过差分后，奇异值衰减更快，说明数据可以用更低维的子空间进行表示。这一点在图1中可以直观看到：梯度域对应的曲线更快趋近于零。

图1. 高光谱图像光谱梯度的谱低秩先验：数据集(a) PaviaCity Center. (b) Washington DC Mall

另一方面，光谱梯度也降低了数据的冗余程度。由于相邻波段本身具有较强相关性，差分后保留下来的是波段之间的变化信息，使整体信息量减少，数据分布更加集中。这一变化直接影响了TV类正则的效果。TV依赖局部区域的相似性，而原始HSI中，由于信息复杂、变化较多，这一假设往往不够理想。而在光谱梯度域中，图像熵显著降低（如图2所示），局部变化更加平缓，使得TV约束更容易发挥作用。

从低秩性和局部平滑性两个角度来看，光谱梯度域并不是简单的等价表示，而是一个更有利于建模的空间。这也是后续引入子空间表示和HLTV正则的基础。

三、HLTVSG 模型构建

在将数据映射到光谱梯度域之后，模型的构建主要围绕两个问题展开：如何表达HSI的结构信息，以及如何对不同类型的噪声进行建模。

首先，论文采用混合噪声模型，将观测数据表示为：

$Y=X+B+S+N$

其中，X为待恢复的干净图像，B表示稀疏噪声，S表示条带噪声，N表示高斯噪声。通过将不同类型的干扰显式拆分，可以针对其结构特性分别建模。

在结构建模方面，论文并没有直接对 X 施加低秩约束，而是在光谱梯度域中引入子空间表示：

$D_3(X) = U \times_3 V$

其中，V为光谱基，刻画光谱维度的相关性；U 为空间表示系数，承载主要的空间结构信息。通过这一表示，原始高维数据被映射到低维子空间中，从而更紧凑地表达其结构。

基于该表示，空间约束不再直接作用于原始数据，而是施加在表示系数 U上。论文在此引入超拉普拉斯TV（HLTV）约束，对 U 的空间梯度进行建模：

$\|U\|_{\mathrm{HLTV}} = \|D_1(U)\|_{q_1}^{q_1} + \|D_2(U)\|_{q_2}^{q_2}$

与传统TV相比，HLTV采用q<1 的形式，更符合实际梯度的重尾分布特性，有助于在抑制噪声的同时保留边缘等结构信息。

对于噪声部分，模型根据不同干扰的特点分别建模：稀疏噪声 B 采用 ℓ1 范数约束，而条带噪声 S利用其在单波段内的结构性，通过低秩约束进行刻画。这样可以在同一框架下同时处理多种类型的噪声。

整体来看，模型是在光谱梯度域中，通过子空间表示提取结构信息，并结合HLTV与多噪声建模，实现对HSI的有效恢复。

四、模型求解方法

由于模型同时包含低秩约束、稀疏项以及非凸的HLTV正则，整体优化问题较为复杂，难以直接求解。论文采用增广拉格朗日乘子法（ALM）对问题进行分解，并通过交替更新的方式逐步优化各个变量。

从形式上看，整个求解过程是在不同变量之间循环更新，包括干净图像 X、子空间系数 U、光谱基 V，以及噪声项 B 和 S。在每一步中，其余变量保持固定，从而将原问题拆解为一系列相对独立的子问题。在子空间表示部分，约束

$D_3(X) = U \times_3 V$

使得更新 U和 V本质上对应一个低维表示的拟合过程。其中，V的更新通常可以转化为带正交约束的最小二乘问题，而 U的更新则需要同时考虑HLTV正则，因此涉及非凸优化。对于HLTV项，由于 q<1时不再是凸函数，论文采用迭代加权的方式进行求解，将原问题转化为一系列可处理的子问题，从而逐步逼近原始目标。

在噪声建模方面，不同干扰对应不同的更新方式。稀疏噪声 B通常对应带 ℓ1 正则的子问题，可以通过软阈值操作求解；条带噪声 S则利用其结构特性，通过低秩约束进行建模，一般通过奇异值阈值化实现。整体而言，求解过程是在子空间表示、HLTV约束以及多类噪声建模之间交替进行，逐步逼近最终的去噪结果。

五、实验结果与分析

论文分别在模拟数据和真实数据上进行了实验，对比方法涵盖低秩模型、TV类方法以及部分深度学习方法。

在模拟实验中，作者构造了包含高斯噪声、稀疏噪声和条带噪声的混合场景，以测试模型在复杂干扰下的表现。从结果可以看出，不同方法在单一噪声条件下差异相对有限，但在混合噪声场景中差距逐渐拉开。

WDC数据集在Case7情况下通过不同方法去噪前后的第81波段图像。(a) 原始图像。(b) 噪声图像 (c) LRMR (d) LRTV(e) LRTDTV (f) LRTDGS (g)
LRTF‑DFR (h) DLR (i) CTV (j) FGSLR (k) RCTV (l) FastHyMix (m) HLTVSG

一些基于低秩的模型能够去除部分随机噪声，但对于条带结构的处理能力有限，残留较为明显；而基于TV的方法虽然可以获得较为平滑的结果，但在边缘区域往往出现细节损失。这种差异与其建模假设是一致的：低秩方法更偏向全局结构，而TV更强调局部平滑，但都缺乏对复杂噪声结构的针对性建模。相比之下，HLTVSG在视觉上表现出更好的平衡：在去除噪声的同时，边缘和纹理结构保留得更加完整。

在真实数据实验中，条带噪声的影响更加突出。一些方法将其简单视为稀疏干扰，难以彻底去除；而过强的平滑又会破坏原有结构。HLTVSG通过对条带噪声单独建模，并结合子空间表示进行结构约束，能够更有效地分离并抑制这类结构化噪声。从结果来看，条带基本被消除，同时整体结构保持较好。

不同方法对GF‑5宝清图像在波段(155, 152, 86)上的恢复结果。(a) 原始图像。(b) LRMR。(c) LRTV。(d) LRTDTV。(e) LRTDGS。(f)LRTF‑DFR。(g)
DLR。(h) CTV。(i) FGSLR。(j) RCTV。(k)FastHyMix。(l)HLTVSG。

论文还通过消融实验分析了各个模块的作用。结果表明，光谱梯度域建模、HLTV正则以及多噪声分离都是不可或缺的：在原始空间建模会明显降低性能，将HLTV替换为传统TV会导致边缘退化，而忽略条带噪声建模则会产生明显残留。这些结果与前面对模型设计的分析相互印证。

六、总结与讨论

这篇论文的关键不在于引入更复杂的模型结构，而是在两个基础问题上的调整：建模空间的选择，以及正则项的分布假设。通过将数据从原始HSI转移到光谱梯度域，问题的统计性质发生了变化：低秩结构更加明显，图像熵降低，局部变化更加平缓，使得依赖这些假设的低秩建模和TV类约束更容易发挥作用。这也解释了为什么许多方法在原始空间中效果有限，而在该空间中能够获得更稳定的结果。

在此基础上，HLTV对传统TV进行了修正。实际梯度往往呈现更强的重尾分布，而不是标准的拉普拉斯分布，引入 q<1的形式后，可以在抑制噪声的同时减弱对大梯度的惩罚，从而更好地保留边缘和细节结构。同时，对于条带噪声，模型没有简单将其视为稀疏干扰，而是利用其结构特性进行单独建模，使连续条纹能够被有效分离而不破坏原有空间结构。

整体来看，这一方法并不是简单叠加多个模块，而是围绕同一思路展开：先通过改变数据分布让结构约束更容易成立，再在此基础上进行细化建模。这种设计使模型在复杂混合噪声场景下仍能保持稳定表现。当然，这也带来了额外代价，例如子空间分解、非凸HLTV约束以及多噪声建模都会增加优化复杂度，对参数设置也更为敏感。

总体而言，这项工作的价值不在于提出全新的结构，而在于提供了一种不同的建模视角：通过调整建模空间与正则形式，使已有方法在同一框架下发挥出更好的效果。