[論文レビュー] An automatic water detection approach based on Dempster-Shafer theory for multi spectral images

Na Li, Arnaud Martin+1 more|arXiv (Cornell University)|Aug 9, 2017

Remote-Sensing Image Classification参考文献 22被引用数 3

ひとこと要約

本稿では、近赤外反射率に基づくスペクトルモデルと教師あり学習分類器をDempster-Shafer理論を用いて融合することで、マルチスペクトル画像における非教師あり水検出手法を提案する。本手法は、主な水体を自動的に同定するとともに、半乾きの河川、影、曇り、建物区域などの曖昧な特徴を「無知」としてラベル付けし、後続の分類において重要な不確実性を反映する出力を提供する。結果として、7.41%が水、87.92%が非水、4.67%が無知と検出された。

ABSTRACT

Detection of surface water in natural environment via multi-spectral imagery has been widely utilized in many fields, such land cover identification. However, due to the similarity of the spectra of water bodies, built-up areas, approaches based on high-resolution satellites sometimes confuse these features. A popular direction to detect water is spectral index, often requiring the ground truth to find appropriate thresholds manually. As for traditional machine learning methods, they identify water merely via differences of spectra of various land covers, without taking specific properties of spectral reflection into account. In this paper, we propose an automatic approach to detect water bodies based on Dempster-Shafer theory, combining supervised learning with specific property of water in spectral band in a fully unsupervised context. The benefits of our approach are twofold. On the one hand, it performs well in mapping principle water bodies, including little streams and branches. On the other hand, it labels all objects usually confused with water as `ignorance', including half-dry watery areas, built-up areas and semi-transparent clouds and shadows. `Ignorance' indicates not only limitations of the spectral properties of water and supervised learning itself but insufficiency of information from multi-spectral bands as well, providing valuable information for further land cover classification.

研究の動機と目的

• マルチスペクトル画像において、建物区域、影、曇りなどとスペクトル的に類似するため、水体が誤分類される問題に対処すること。
• 従来のスペクトルインデックス手法で一般的な手動によるしきい値設定を回避する、完全に非教師ありの自動的アプローチを開発すること。
• Dempster-Shafer理論を用いて、水のスペクトル応答特性と教師あり学習の結果を統合し、不確実性を反映する分類を行うこと。
• 曖昧または区別が難しい特徴を「無知」としてラベル付けすることで、モデルの限界を反映させ、今後の分類の改善を支援すること。

提案手法

• 近赤外（NIR）における強い吸収特性に基づき、スペクトル応答特性から導かれるしきい値を用いて、水を特定するスペクトルモデルを適用する。
• スペクトルモデルの出力を用いて、SVMなどと同様の教師あり学習（例：SVM）を訓練し、水検出を精緻化する。
• Dempster-Shafer理論を用いて、スペクトルモデルと教師あり分類器からの証拠を融合し、それらを相関する情報源として扱い、割り当て係数を用いる。
• スペクトルモデルの割り当て係数は、教師ありモデルの出力を擬似正例として用いて計算され、不確実性の定量化を可能にする。
• 3クラスの出力を生成する：「水」「非水」「無知」。ここで「無知」は、自信を持って分類できないほど曖昧な特徴を捉える。
• 融合プロセスでは、各クラスに対する信頼度を質量関数で表現し、不確実性下での最終意思決定は、可能性と信頼度の測度に基づく。

実験結果

リサーチクエスチョン

• RQ1 Dempster-Shafer理論は、完全に非教師ありの文脈で、スペクトルモデルと教師あり分類器を効果的に統合できるか？
• RQ2 特に影や建物区域などと類似したスペクトルシグネチャの曇りを、形式的に表現し管理できるか？
• RQ3 本手法は、従来のスペクトルインデックスと比較して、小規模な水体（例：河川）の検出をどの程度向上できるか？
• RQ4 「無知」クラスは、モデルおよびデータの限界を示す意味のある指標として、その後の分類の改善に役立つだろうか？

主な発見

• 本手法は、従来の手法が見逃しがちな小規模で細い河川を含め、画像全体の7.41%を「水」として正しく検出できた。
• 画像全体の87.92%が「非水」として高い信頼度で分類され、水体との明確な分離が示された。
• 画像全体の4.67%が「無知」とラベル付けされ、半乾きの河川、薄い曇り、影、建物区域など、水とスペクトル的に類似した特徴が含まれていた。
• ENVIソフトウェアを用いた手動による検証により、本手法は主要な河川およびその枝川を正確に同定しており、曇りやすい特徴を明確に分離していることが確認された。
• 「無知」クラスは、スペクトルモデルおよび教師あり分類器の限界、ならびにマルチスペクトルデータの不足（特にSWIRバンドの欠落）を効果的に捉えている。
• 手動によるしきい値調整を回避するとともに、追加のデータ（例：MIRバンド）を用いたさらなる精緻化を支援する不確実性を反映する出力を提供する点で、従来のスペクトルインデックスを上回る性能を示した。