Reconstruction of compressed spectral imaging based on global structure and spectral correlation

要約

本論文では，圧縮スペクトル画像の再構成のために，グローバルな構造特性とスペクトル相関に基づく畳み込みスパース符号化法を提案する．スペクトルデータは，畳み込みカーネルと対応する係数の畳み込み和とみなされ，畳み込みカーネルを用いて，空間次元でのスペクトル画像の構造情報を保持したまま，グローバルな画像情報を操作する．スペクトル間の制約を十分に探索するために、コンボリューションカーネルに対応する係数をL_(2,1)ノルムで制約し、スペクトル精度を向上させる。そして、畳み込みスパースコーディングが低周波に鈍感であるという問題を解決するために、低周波成分を推定するためのグローバルな全変動（TV）制約を付加する。これは、低周波の効果的な推定を保証するだけでなく、畳み込みスパースコーディングをデノイズ処理に変換し、再構成処理をよりシンプルにするものである。シミュレーションの結果、現在主流の最適化手法と比較して、提案手法はPSNRで最大4dB、SSIMで10%の再構成品質の向上が可能であり、再構成画像の細部にも大きな改善が見られることがわかった。

要約(オリジナル)

In this paper, a convolutional sparse coding method based on global structure characteristics and spectral correlation is proposed for the reconstruction of compressive spectral images. The spectral data is regarded as the convolution sum of the convolution kernel and the corresponding coefficients, using the convolution kernel operates the global image information, preserving the structure information of the spectral image in the spatial dimension. To take full exploration of the constraints between spectra, the coefficients corresponding to the convolution kernel are constrained by the L_(2,1)norm to improve spectral accuracy. And, to solve the problem that convolutional sparse coding is insensitive to low frequency, the global total-variation (TV) constraint is added to estimate the low-frequency components. It not only ensures the effective estimation of the low-frequency but also transforms the convolutional sparse coding into a de-noising process, which makes the reconstructing process simpler. Simulations show that compared with the current mainstream optimization methods, the proposed method can improve the reconstruction quality by up to 4 dB in PSNR and 10% in SSIM, and has a great improvement in the details of the reconstructed image.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL