1.滤波器数量影响
这个实验用前面学习到的两个字典来进行CCT重建，并比较它们的结果。为了验证字典的泛化能力，使用了两个测试集：测试集1，包含图8－4中的4张图像（1）～（4），它们通过随机选择的方式从训练集合中提取；测试集2，包含图8－4中的4张图像（10）～（13），它们是随机地从光谱图像数据集ICVL［250］中得到。所有测试图像的维度为256×265×31。使用这些测试图像，可以按照式（8－26）中的成像模型仿真生成多个二维光谱层析测量，作为算法8－2的输入。
图8－4 测试图像集合
表8－1中给出了两个测试集上的平均重建PSNR值。首先，测试集2的重建结果并不显著低于测试集1的结果，甚至在4个观测采集情况下精度更高。这验证了CDL可以提取到具有泛化能力的图像卷积先验。第二，在所有测试中，50滤波器的结果总是稍低于25滤波器结果。这揭示出，一方面25个卷积核已经可以成功学习到高光谱图像中的本征特征，另一方面使用更多的卷积核意味着需要估计更多的未知卷积系数，从而影响最终重建结果。因此，在后面的实验中，将使用25卷积核字典。
表8－1 CCT重建的平均PSNR指标dB
2.重建算法的鲁棒性
这个实验用于验证重建算法的噪声鲁棒性。对上述测试集添加高斯噪声，其信噪比SNR等级从10 dB变化到40 dB。图8－5绘出了在各SNR等级下相对均方根误差（MSE）曲线。首先，因为单次曝光测量数据的采样率低到1／31，可以看出在各SNR等级下重建结果均是失败的。同时，在SNR＝10 dB等级这个极端强噪声情况下，所提算法也无法从与信号具有同等噪声水平的观测中恢复原始信号。然而，从SNR＝20 dB开始，误差曲线开始展现出MSE与SNR的理想关系：在4次观测—8次观测、8次观测—12次观测这两组曲线中，可以看出MSE降低数值之比基本为2∶1，这对应着它们各自的观测数量之比。也就是说，增加更多的观测数据能够带来重建误差的成比例下降。
(www.xing528.com)
图8－5 不同观测数量下MSE－SNR曲线
3.高空间分辨率光谱图像重建结果
这个实验用图8－4中的16张测试图像来验证高空间分辨率光谱图像的重建性能，其空间维尺寸为512×512。由于图8－5的结果显示，12次观测、SNR＝30 dB是一个比较合理的设置，故此实验用这种方式进行。为了比较CDL相对于传统解析稀疏基的优势，此处使用了CACCT［183］作为对比测试。可见本章算法在全部测试图像上都优于CACCT重建结果。重建峰值信噪比见表8－2。
表8－2 重建峰值信噪比dB
图8－6中显示了来自Harvard数据库的高光谱图像重建结果［182］。由于本章方法融合了CSC高光谱先验与PADMM优化策略，故其在高频成分的恢复上明显优于CACCT。
图8－6 重建高光谱图像的RGB显示
（a）观测图像示例；（b）真实光谱降维图像；（c）CACCT结果；（d）本章方法结果；（e）每个光谱通道的重建PSNR
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
