革新高光谱图像去噪：一种 SqueezeNet 范式

超越彩虹的更清晰影像

当卫星、无人机或实验室相机以数百种颜色而非仅红绿蓝观察世界时，它们捕捉到作物、污染、建筑乃至艺术品的隐含细节。但这些富含信息的“高光谱”图像容易被大气和电子设备产生的噪声破坏，就像旧电视上的静雪一样。本文提出了一种紧凑的人工智能模型，能够更高效、更有效地清理这些图像，帮助科学家和工程师在这一不可见光谱中更可靠地解读观测结果。

为何多色通道如此重要

普通照片使用三个颜色通道，而高光谱图像将光分解成数十个窄带，其中一些超出人眼可见的范围。每个像素携带着一小段光谱，揭示材料特性——例如某块地是健康植被、干燥土壤还是受污染的水体。然而，采集如此细致的数据并不容易。安装在飞机、卫星或显微镜上的传感器在变化的光照和温度条件下工作，接收到的信号往往很弱。因此，各种噪声会混入，包括随机散点、明暗条纹、死点像素和突发脉冲等。这些失真不仅使图像显得颗粒状，还会误导依赖准确光谱特征的自动化系统。

传统清理方法的局限

多年来，研究人员借用日常摄影中的工具来清理高光谱图像，将每个波段视为单独的灰度图像来处理。虽然这能在一定程度上降低颗粒感，但往往忽视了各波段之间的关联，可能弯曲或模糊科学家关心的光谱信息。更先进的深度学习方法也已出现，但许多模型体积庞大、运行缓慢，或仅针对单一类型的噪声优化。这使得它们在资源受限的平台（如小型卫星或机载系统）上难以部署，并且在面对现实世界中混合的噪声类型时可靠性较低。

一种精简神经网络与新的训练策略

作者提出将 SqueezeNet（一种轻量深度神经网络）作为高光谱去噪的核心。SqueezeNet 由重复的“fire 模块”构成，先压缩输入信息（“squeeze”步骤），然后通过一对小卷积核扩展信息，既强调局部细节也兼顾更广的上下文。在本研究中，来自哈佛数据集的有噪声高光谱图像作为输入，模型学习在所有波段上同时将真实场景结构与噪声分离。与那些更笨重的网络和变换器相比，该架构将知识压缩到不到一兆字节的参数中，实现快速处理和低功耗，同时不牺牲精度。

从易到难的噪声学习

一项关键创新是训练方式。作者并非从一开始就向模型施加各种失真，而是采用逐步递进的“课程式”策略。系统首先学习修正固定强度的简单随机（高斯）噪声，然后应对更宽范围的随机噪声水平，最后处理包括条纹、死亡线和脉冲尖峰在内的复杂混合噪声。这种分阶段的暴露帮助网络避免陷入劣解并稳定学习过程，就像学生先掌握基础练习再应对难题一样。模型性能使用四个标准度量来评估，不仅检查图像的锐利程度，也评估光谱特征的保真度。

更洁净的数据，更好的决策

在各种噪声条件下，基于 SqueezeNet 的模型比多种主流传统方法和深度学习方法更稳定地输出更清洁的高光谱图像。它在清晰度和结构相似性得分上更高，同时产生更小的光谱误差，而且计算成本只是它们的一小部分。对于非专业用户而言，这意味着用于监测地表、工业过程或显微样本的仪器能够实时返回更可靠的信息，即便在处理能力有限的硬件上也是如此。将紧凑的网络设计与智能训练方案相结合，这项工作指向了更快速、更准确且可更广泛部署的高光谱成像应用，涵盖环境监测、农业、遥感等领域。

引用: Nachimuthu, N., Murugesan, R., Dharmalingam, M. et al. Revolutionizing hyper spectral image denoising: a squeezenet paradigm. Sci Rep 16, 7419 (2026). https://doi.org/10.1038/s41598-026-36479-1

关键词: 高光谱成像, 图像去噪, 深度学习, 遥感, SqueezeNet