从高光谱图像转换化学图：一种新型端到端深度学习方法
计算机视觉与模式识别
2025-11-26 v6 机器学习
定量方法
摘要
当前基于偏最小二乘（PLS）回归等模型的高光谱图像化学图生成方法，仅进行像素级预测，未考虑空间上下文，且噪声水平较高。本研究提出一种端到端深度学习方法，采用改进版 U-Net 和自定义损失函数，直接从高光谱图像获取化学图，跳过传统像素级分析所需的中间步骤。本研究将 U-Net 与传统 PLS 回归在一个真实的猪肉内脂样本数据集上进行比较，其对应的均值脂肪参考值亦随之得到。U-Net 在均值脂肪预测任务上的测试集均方根误差比 PLS 回归低 7%。同时，U-Net 生成的化学图细节丰富，其中 99.91% 的方差具有空间相关性；而 PLS 生成的化学图仅有 2.37% 的方差具有空间相关性，表明每个像素级预测与相邻像素基本独立。此外，PLS 生成的化学图包含超出 0-100% 物理可能范围的预测，而 U-Net 能学习保持在该范围内。因此，本研究表明 U-Net 在化学图生成方面优于 PLS。
引用
@article{arxiv.2504.14131,
title = {Transforming Hyperspectral Images Into Chemical Maps: A Novel End-to-End Deep Learning Approach},
author = {Ole-Christian Galbo Engstrøm and Michela Albano-Gaglio and Erik Schou Dreier and Yamine Bouzembrak and Maria Font-i-Furnols and Puneet Mishra and Kim Steenstrup Pedersen},
journal= {arXiv preprint arXiv:2504.14131},
year = {2025}
}