用于物料混合均匀性检测的高光谱图像散焦模糊去除

钱斐; 胡凡; 苟晓东; 朱启兵

doi:10.37188/OPE.20263407.1156

您当前的位置：

首页 >

文章列表页 >

用于物料混合均匀性检测的高光谱图像散焦模糊去除

信息科学 | 更新时间：2026-04-10

- 用于物料混合均匀性检测的高光谱图像散焦模糊去除
- Defocus deblur of hyperspectral image for material mixing uniformity detection
- 光学精密工程 2026年34卷第7期页码：1156-1169
- 作者机构：
  
  1.江南大学物联网工程学院，江苏无锡 214122
  2.北京理工大学机电学院，北京 100081
- 作者简介：
  
  [ "钱斐（2002-），男，江苏常州人，硕士研究生，2024年于江南大学获得学士学位，主要从事光学检测技术、图谱智能解析的研究。 E-mail：2622874252@qq. com" ]
  [ "朱启兵（1973-），男，安徽合肥人，教授，博士生导师，2006年于东北大学获得博士学位，主要从事传感与检测技术、信息感知与智能处理、物联网技术等领域的研究。 E-mail： zhuqib@163. com" ]
- 基金信息：
  
  国家自然科学基金资助项目(62273166)
- DOI：10.37188/OPE.20263407.1156
  中图分类号： TP391.4
- CSTR：32169.14.OPE.20263407.1156
- 收稿：2025-12-01，
  
  修回：2026-12-31，
  
  纸质出版：2026-04-10
- 稿件说明：
移动端阅览
钱斐,胡凡,苟晓东等.用于物料混合均匀性检测的高光谱图像散焦模糊去除[J].光学精密工程,2026,34(07):1156-1169.

QIAN Fei,HU Fan,GOU Xiaodong,et al.Defocus deblur of hyperspectral image for material mixing uniformity detection[J].Optics and Precision Engineering,2026,34(07):1156-1169.
钱斐,胡凡,苟晓东等.用于物料混合均匀性检测的高光谱图像散焦模糊去除[J].光学精密工程,2026,34(07):1156-1169. DOI： 10.37188/OPE.20263407.1156. CSTR： 32169.14.OPE.20263407.1156.

QIAN Fei,HU Fan,GOU Xiaodong,et al.Defocus deblur of hyperspectral image for material mixing uniformity detection[J].Optics and Precision Engineering,2026,34(07):1156-1169. DOI： 10.37188/OPE.20263407.1156. CSTR： 32169.14.OPE.20263407.1156.

摘要

物料混合均匀性检测是实现产品质量在线监控与工艺优化的关键。针对高光谱成像（Hyperspectral Imaging，HSI）技术在材料混合均匀性检测中出现的图像散焦模糊，以及由此导致的均匀性评估失效问题，提出了一种自监督物理约束非配对高光谱图像去模糊算法（Physics-Constrained Self-Supervised Learning for Unpaired Hyperspectral Image Deblurring，PC-SSL-HSI Deblurring）。该算法采用融合 SimAM 注意力机制的 Uformer 作为去模糊网络，并借助对抗训练促使去模糊结果在特征空间内与清晰图像对齐，与此同时，算法还设计了一个基于经典退化模型的模糊核预测模块，用于构造伪样本对，再利用伪样本对的自监督学习引导去模糊网络聚焦于高光谱图像的局部细节恢复。实验结果表明，所提出的方法能够有效恢复图像细节，减少伪影，有助于物料混合均匀性的准确评估；在仿真数据集上高光谱图像的PSNR达到34.970，SSIM达到0.900，浓度预测误差为0.022 8~0.031 2。所提方法在KL散度、CV变异系数等混合均匀性指标上均优于比较算法，展现出良好的工程应用价值。

Abstract

Detection of material mixing uniformity is critical for enabling online quality monitoring and process optimization. This study addresses the degradation of uniformity evaluation caused by defocus blur in hyperspectral imaging （HSI）. A physics-constrained self-supervised learning framework for unpaired hyperspectral image deblurring （PC-SSL-HSI） is proposed. A Uformer-based architecture incorporating the SimAM attention mechanism is employed as the deblurring network， while adversarial training is introduced to align deblurred outputs with clear images in the feature space. In addition， a blur kernel prediction module is designed based on a classical degradation model to construct pseudo-sample pairs， enabling self-supervised learning that guides the network to emphasize local detail restoration in hyperspectral images.Experimental results demonstrate that the proposed method effectively enhances image detail， suppresses artifacts， and improves the accuracy of material mixing uniformity evaluation. On a simulated dataset， the peak signal-to-noise ratio （PSNR） reaches 34.970 and the structural similarity index （SSIM） reaches 0.900， with concentration prediction errors ranging from 0.022 8 to 0.031 2. Furthermore， hyperspectral imaging experiments for material mixing uniformity indicate that the proposed method outperforms comparative approaches in metrics such as Kullback–Leibler divergence and coefficient of variation， highlighting its strong potential for engineering applications.

关键词

Keywords

references

吴晓东，刘畅，李俊，等 . 基于高光谱检测的烟丝加香均匀性表征方法［J］. 轻工学报， 2024 ， 39 （ 5 ）： 95 - 101 .

WU X D ， LIU CH ， LI J ， et al . Characterizing flavoring uniformity in tobacco based on hyperspectral detection ［J］. Journal of Light Industry ， 2024 ， 39 （ 5 ）： 95 - 101 . （in Chinese）

石吉勇，胡雪桃，朱瑶迪，等 . 高光谱图像技术定量检测香醋醋醅水分分布均匀性［J］. 中国食品学报， 2018 ， 18 （ 2 ）： 250 - 255 . doi: 10.16429/j.1009-7848.2018.02.032 http://dx.doi.org/10.16429/j.1009-7848.2018.02.032

SHI J Y ， HU X T ， ZHU Y D ， et al . Quantitative detection of homogeneity of moisture content distribution in vinegar culture by hyperspectral imaging technique ［J］. Journal of Chinese Institute of Food Science and Technology ， 2018 ， 18 （ 2 ）： 250 - 255 . （in Chinese） . doi: 10.16429/j.1009-7848.2018.02.032 http://dx.doi.org/10.16429/j.1009-7848.2018.02.032

白玉莹，王石，张博涵，等 . MicroNIR技术在配方奶粉干混均匀性上的应用［J］. 现代食品科技， 2025 ， 41 （ 7 ）： 20 - 28 .

BAI Y Y ， WANG SH ， ZHANG B H ， et al . Application of MicroNIR technology in evaluating the homogeneity of dry-mixed formula powder ［J］. Modern Food Science and Technology ， 2025 ， 41 （ 7 ）： 20 - 28 . （in Chinese）

黄子淇，吴玉章，刘犇，等 . 近红外技术在含能材料领域的应用研究进展［J］. 兵器装备工程学报， 2022 ， 43 （ 7 ）： 58 - 66， 77 .

HUANG Z Q ， WU Y ZH ， LIU B ， et al . Development of near infrared technology application research in the field of energetic materials ［J］. Journal of Ordnance Equipment Engineering ， 2022 ， 43 （ 7 ）： 58 - 66， 77 . （in Chinese）

张蕾，乔凯，吴银花，等 . 利用光谱解混合的目标检测［J］. 光学精密工程， 2023 ， 31 （ 21 ）： 3156 - 3166 . doi: 10.37188/ope.20233121.3156 http://dx.doi.org/10.37188/ope.20233121.3156

ZHANG L ， QIAO K ， WU Y H ， et al . Target detection using spectral unmixing ［J］. Optics and Precision Engineering ， 2023 ， 31 （ 21 ）： 3156 - 3166 . （in Chinese） . doi: 10.37188/ope.20233121.3156 http://dx.doi.org/10.37188/ope.20233121.3156

刘敬，李洋，刘逸 . 基于分数阶微分的高光谱图像特征提取与分类［J］. 光学精密工程， 2023 ， 31 （ 21 ）： 3221 - 3236 . doi: 10.37188/ope.20233121.3221 http://dx.doi.org/10.37188/ope.20233121.3221

LIU J ， LI Y ， LIU Y . Hyperspectral images feature extraction and classification based on fractional differentiation ［J］. Optics and Precision Engineering ， 2023 ， 31 （ 21 ）： 3221 - 3236 . （in Chinese） . doi: 10.37188/ope.20233121.3221 http://dx.doi.org/10.37188/ope.20233121.3221

FANG H Z ， LUO C N ， ZHOU G ， et al . Hyperspectral image deconvolution with a spectral-spatial total variation regularization ［J］. Canadian Journal of Remote Sensing ， 2017 ， 43 （ 4 ）： 384 - 395 . doi: 10.1080/07038992.2017.1356221 http://dx.doi.org/10.1080/07038992.2017.1356221

GUO L ， ZHAO X L ， GU X M ， et al . Three-dimensional fractional total variation regularized tensor optimized model for image deblurring ［J］. Applied Mathematics and Computation ， 2021 ， 404 ： 126224 .

REN D W ， ZHANG K ， WANG Q L ， et al . Neural blind deconvolution using deep priors ［C］. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. 13-19，2020 ， Seattle， WA， USA. IEEE ， 2020 ： 3338 - 3347 . doi: 10.1109/cvpr42600.2020.00340 http://dx.doi.org/10.1109/cvpr42600.2020.00340

CHEN L Y ， CHU X J ， ZHANG X Y ， et al . Simple baselines forImage restoration ［C］. Computer Vision-ECCV 2022. Cham ： Springer ， 2022 ： 17 - 33 . doi: 10.1007/978-3-031-20071-7_2 http://dx.doi.org/10.1007/978-3-031-20071-7_2

WANG Z D ， CUN X D ， BAO J M ， et al . Uformer： a general U-shaped transformer for image restoration ［C］. 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. 18-24，2022 ， New Orleans， LA， USA. IEEE ， 2022 ： 17662 - 17672 . doi: 10.1109/cvpr52688.2022.01716 http://dx.doi.org/10.1109/cvpr52688.2022.01716

ZAMIR S W ， ARORA A ， KHAN S ， et al . Restormer： efficient transformer for high-resolution image restoration ［C］. 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. 18-24，2022 ， New Orleans， LA， USA. IEEE ， 2022 ： 5718 - 5729 . doi: 10.1109/cvpr52688.2022.00564 http://dx.doi.org/10.1109/cvpr52688.2022.00564

GENG P F ， ZHANG M ， LI X F . Hyperspectral image deblurring based on joint utilization of spatial-spectral information ［C］. 2023 16th International Symposium on Computational Intelligence and Design （ISCID）. 16-17，2023 ， Hangzhou， China. IEEE ， 2024 ： 156 - 160 .

WANG X H ， CHEN J ， RICHARD C ， et al . Learning spectral-spatial prior via 3DDNCNN for hyperspectral image deconvolution ［C］. ICASSP 2020-2020 IEEE International Conference on Acoustics， Speech and Signal Processing （ICASSP）. 4-8，2020 ， Barcelona， Spain. IEEE ， 2020 ： 2403 - 2407 . doi: 10.1109/icassp40776.2020.9054539 http://dx.doi.org/10.1109/icassp40776.2020.9054539

XIE H Y ， YANG M Y ， HUANG H S ， et al . Hyperspectral image reconstruction based on blur-kernel-prior and spatial-spectral attention ［J］. Remote Sensing ， 2025 ， 17 （ 8 ）： 1401 . doi: 10.3390/rs17081401 http://dx.doi.org/10.3390/rs17081401

ZHU J Y ， PARK T ， ISOLA P ， et al . Unpaired image-to-image translation using cycle-consistent adversarial networks ［C］. 2017 IEEE International Conference on Computer Vision （ICCV）. 22-29，2017 ， Venice， Italy. IEEE ， 2017 ： 2242 - 2251 . doi: 10.1109/iccv.2017.244 http://dx.doi.org/10.1109/iccv.2017.244

LU B Y ， CHEN J C ， CHELLAPPA R . Unsupervised domain-specific deblurring via disentangled representations ［C］. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. 15-20，2019 ， Long Beach， CA， USA. IEEE ， 2020 ： 10217 - 10226 . doi: 10.1109/cvpr.2019.01047 http://dx.doi.org/10.1109/cvpr.2019.01047

TANG X L ， ZHAO X L ， LIU J ， et al . Uncertainty-aware unsupervised image deblurring with deep residual prior ［C］. 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. 17-24，2023 ， Vancouver， BC， Canada. IEEE ， 2023 ： 9883 - 9892 . doi: 10.1109/cvpr52729.2023.00953 http://dx.doi.org/10.1109/cvpr52729.2023.00953

LI J H ， DONG X Y ， HE W ， et al . Wavelength- and depth-aware deep image prior for blind hyperspectral imagery deblurring with coarse depth guidance ［C］. 2025 IEEE/CVF Winter Conference on Applications of Computer Vision （WACV）. 26-6，2025 ， Tucson， AZ， USA. IEEE ， 2025 ： 3162 - 3171 . doi: 10.1109/wacv61041.2025.00313 http://dx.doi.org/10.1109/wacv61041.2025.00313

YANG L X ， ZHANG R Y ， LI L D ， et al . SimAM： a simple， parameter-free attention module for convolutional neural networks ［C］. International Conference on Machine Learning ， 2021 . doi: 10.1007/978-3-030-86362-3_14 http://dx.doi.org/10.1007/978-3-030-86362-3_14

ISOLA P ， ZHU J Y ， ZHOU T H ， et al . Image-to-image translation with conditional adversarial networks ［C］. 2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. 21-26，2017 ， Honolulu， HI， USA. IEEE ， 2017 ： 5967 - 5976 . doi: 10.1109/cvpr.2017.632 http://dx.doi.org/10.1109/cvpr.2017.632

MAYERHÖFER T G ， POPP J . Beyond beer’s law： spectral mixing rules ［J］. Applied Spectroscopy ， 2020 ， 74 （ 10 ）： 1287 - 1294 . doi: 10.1177/0003702820942273 http://dx.doi.org/10.1177/0003702820942273

LIU Y ， LI J F ， SUN S Y ， et al . Advances in Gaussian random field generation： a review ［J］. Computational Geosciences ， 2019 ， 23 （ 5 ）： 1011 - 1047 . doi: 10.1007/s10596-019-09867-y http://dx.doi.org/10.1007/s10596-019-09867-y

LIM S ， PARK H ， LEE S E ， et al . CycleGAN with a blur kernel for deconvolution microscopy： optimal transport geometry ［J］. IEEE Transactions on Computational Imaging ， 2020 ， 6 ： 1127 - 1138 . doi: 10.1109/TCI.2020.3006735 http://dx.doi.org/10.1109/TCI.2020.3006735

HOSSEINI M S ， PLATANIOTIS K N . Convolutional deblurring for natural imaging ［J］. IEEE Transactions on Image Processing ， 2020 ， 29 ： 250 - 264 . doi: 10.1109/tip.2019.2929865 http://dx.doi.org/10.1109/tip.2019.2929865

BAI Y C ， CHEUNG G ， LIU X M ， et al . Graph-based blind image deblurring from a single photograph ［J］. IEEE Transactions on Image Processing ， 2019 ， 28 （ 3 ）： 1404 - 1418 . doi: 10.1109/tip.2018.2874290 http://dx.doi.org/10.1109/tip.2018.2874290

CHIHAOUI H ， FAVARO P ， LEMKHENTER A . Blind image restoration via fast diffusion inversion ［C］. Advances in Neural Information Processing Systems 37. December 10 - 15 ， 2024 . Vancouver， BC， Canada. Neural Information Processing Systems Foundation ， Inc. （NeurIPS）， 2024 ： 34513 - 34532 .

OTSUKA M ， YAMANE I . Prediction of tablet properties based on near infrared spectra of raw mixed powders by chemometrics： Scale-up factor of blending and tableting processes ［J］. Journal of Pharmaceutical Sciences ， 2009 ， 98 （ 11 ）： 4296 - 4305 . doi: 10.1002/jps.21748 http://dx.doi.org/10.1002/jps.21748

CHEN Y ， LIN H P ， ZHANG W ， et al . ICycle-GAN： Improved cycle generative adversarial networks for liver medical image generation ［J］. Biomedical Signal Processing and Control ， 2024 ， 92 ： 106100 . doi: 10.1016/j.bspc.2024.106100 http://dx.doi.org/10.1016/j.bspc.2024.106100

ODENA A ， DUMOULIN V ， OLAH C . Deconvolution and checkerboard artifacts ［J］. Distill ， 2016 ， 1 （ 10 ）： e3 . doi: 10.23915/distill.00003 http://dx.doi.org/10.23915/distill.00003

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

对比学习结合DenseNet的高光谱图像开放集分类

3D-CNN与Transformer混合结构的高光谱图像空谱联合分类

CNN-Transformer结合对比学习的高光谱与LiDAR数据协同分类

同质区共享端元变异性的高光谱混合像元分解

利用光谱解混合的目标检测