[論文レビュー] A Joint Morphological Profiles and Patch Tensor Change Detection for Hyperspectral Imagery

Zengfu Hou, Wei Li|arXiv (Cornell University)|Jan 20, 2022

Remote-Sensing Image Classification被引用数 4

ひとこと要約

本稿では、局所的画像パッチを3次元テンソルキューブに再構成することで空間的構造を保持し、マルチスケールの形態的プロファイルと組み合わせて、空間的・スペクトル的特徴を統合的に活用する新しい共同形態的プロファイルとパッチテンソル変化検出（JMPT）手法を提案する。この手法は、ハイパースペクトル画像における変化検出精度を向上させることを目的としており、2つの実データセットで最先端の性能を達成し、AUCスコアはHermistonで83.769%、Yanchengで96.119%を記録した。既存手法を上回るが、計算コストはやや高くなる。

ABSTRACT

Multi-temporal hyperspectral images can be used to detect changed information, which has gradually attracted researchers' attention. However, traditional change detection algorithms have not deeply explored the relevance of spatial and spectral changed features, which leads to low detection accuracy. To better excavate both spectral and spatial information of changed features, a joint morphology and patch-tensor change detection (JMPT) method is proposed. Initially, a patch-based tensor strategy is adopted to exploit similar property of spatial structure, where the non-overlapping local patch image is reshaped into a new tensor cube, and then three-order Tucker decompositon and image reconstruction strategies are adopted to obtain more robust multi-temporal hyperspectral datasets. Meanwhile, multiple morphological profiles including max-tree and min-tree are applied to extract different attributes of multi-temporal images. Finally, these results are fused to general a final change detection map. Experiments conducted on two real hyperspectral datasets demonstrate that the proposed detector achieves better detection performance.

研究の動機と目的

• マルチタイムスケールのハイパースペクトル画像における空間的・スペクトル的相関を完全に活用できない従来の変化検出手法の限界を解消すること。
• 従来の単一バンドまたはマルチバンドアルゴリズムで生じる次元削減に起因するスペクトル情報の損失を克服すること。
• ハイパースペクトルデータの3次元構造を保持しつつ、特徴表現を強化することで、より優れた変化検出を実現する手法の開発。
• 形態的プロファイルとテンソルベースの再構成を統合し、局所的な空間的構造とスペクトル変動をよりよく捉えること。
• より高い検出精度と、変化あり（changed）と変化なし（unchanged）のピクセル間の分離性の向上を達成すること。

提案手法

• 非オーバーラップの局所的画像パッチを3次元テンソルキューブに再形状することで、空間的構造を保持するパッチベースのテンソル戦略を採用する。
• テンソルキューブに3次元 Tucker分解を適用し、低ランク表現を抽出するとともに、耐障害性の高いマルチタイムスケールのハイパースペクトルデータを再構成する。
• 最大木（max-tree）および最小木（min-tree）を含む複数の形態的プロファイルを計算し、再構成済みデータからトポロジカルおよび強度ベースの属性を抽出する。
• 形態的プロファイルとテンソル再構成特徴を統合して、最終的な変化検出マップを生成する。
• 形態的解析とテンソルベースの次元削減・再構成を組み合わせることで、スペクトル変動と空間的文脈の両方を活用する。
• 空間的およびスペクトル的特徴を並列に処理するためのデュアルパイプライン構造としてフレームワークを設計する。

実験結果

リサーチクエスチョン

• RQ1 形態的プロファイルとパッチテンソル表現の共同処理が、ハイパースペクトル画像における変化検出精度を向上させることができるか？
• RQ2 テンソル分解によるハイパースペクトルデータの3次元構造の保持が、2次元フラットテニングと比較して特徴表現をどのように向上させるか？
• RQ3 最大木（max-tree）および最小木（min-tree）の形態的プロファイルが、変化ありと変化なしのピクセル間の分離性をどの程度向上させるか？
• RQ4 AUCと計算効率の観点から、提案手法JMPTは最先端手法と比較してどのように差をつけるか？
• RQ5 テンソルベースの再構成と形態的特徴の統合により、背景ノイズをより効果的に抑制し、真の変化をより明確に抽出できるか？

主な発見

• HermistonデータセットではJMPTがAUC 83.769%を達成し、TDRD（80.215%）およびSALA（80.445%）を上回る性能を示した。
• YanchengデータセットではJMPTが最高のAUC 96.119%を記録し、TDRD（95.275%）およびSALA（95.004%）を顕著に上回った。
• 統計的分離性分析の結果、変化あり（赤）と変化なし（青）のピクセル分布の間隔がJMPTで最大であり、優れたクラス分離性を示した。
• ROC曲線の結果、両データセットにおいてJMPTの曲線が常に左上隅に最も近づいており、優れた検出性能を確認した。
• 計算コストはやや高かったが、Hermistonで190.62秒、Yanchengで49.40秒の実行時間であり、主に形態的特徴抽出とTucker分解に起因した。