[論文レビュー] Hyperspectral Unmixing in Presence of Endmember Variability, Nonlinearity or Mismodelling Effects

Abderrahim Halimi, Paul Honeiné+1 more|HAL (Le Centre pour la Communication Scientifique Directe)|Nov 18, 2015

Remote-Sensing Image Classification被引用数 6

ひとこと要約

本稿では、柔軟な残差成分モデルを通じて非線形性、エンドメンバーの変動、誤モデル化効果を統合的にモデル化する包括的なベイジアンハイパースペクトルアンミキシングフレームワークを提案する。追加残差項を異なる物理現象を表現できるように適応させ、MAP推定に座標降下法を用いることで、合成データおよび実データにおいて最先端の精度と計算効率を達成した。

ABSTRACT

This paper presents three hyperspectral mixture models jointly with Bayesian algorithms for supervised hyperspectral unmixing. Based on the residual component analysis model, the proposed general formulation assumes the linear model to be corrupted by an additive term whose expression can be adapted to account for nonlinearities (NL), endmember variability (EV), or mismodelling effects (ME). The NL effect is introduced by considering a polynomial expression that is related to bilinear models. The proposed new formulation of EV accounts for shape and scale endmember changes while enforcing a smooth spectral/spatial variation. The ME formulation takes into account the effect of outliers and copes with some types of EV and NL. The known constraints on the parameter of each observation model are modeled via suitable priors. The posterior distribution associated with each Bayesian model is optimized using a coordinate descent algorithm which allows the computation of the maximum a posteriori estimator of the unknown model parameters. The proposed mixture and Bayesian models and their estimation algorithms are validated on both synthetic and real images showing competitive results regarding the quality of the inferences and the computational complexity when compared to the state-of-the-art algorithms.

研究の動機と目的

• 非線形混合、エンドメンバーのスペクトル変動、または信号処理誤差に直面した際の標準線形スペクトルアンミキシングの限界を解消すること。
• 非線形性、エンドメンバーの変動、または誤モデル化効果を適応的に扱える共通の残差成分を介して、一般化された混合モデルの定式化を構築すること。
• 物理的制約（非負性、合計が1）を強制し、不確実性をモデル化する構造的事前分布を用いたベイジアン推定手法を導入すること。
• 混合係数、エンドメンバー、および残差パラメータの最大後確信度（MAP）推定を的確に計算する座標降下アルゴリズムを設計すること。
• 提案モデルの有効性を、合成および実ハイパースペクトルデータセット上で検証し、他の最先端手法と比較して高い頑健性と競争力のある性能を示すこと。

提案手法

• 線形混合モデルに追加の残差項を導入する一般化混合モデルを提案し、その構造を非線形性、エンドメンバーの変動、誤モデル化を表現できるように再構成する。
• 混合係数の多項式展開（特に二重線形形式）を用いて非線形性をモデル化し、エンドメンバー間の2次相互作用を捉える。
• エンドメンバースペクトルにガウス過程事前分布を適用することで、エンドメンバーの形状とスケールにおける滑らかで空間的に相関のある変化をモデル化する。
• 外れ値や残差誤差を扱うために、逆ガンマ分布とガンマ分布を用いた階層的事前分布構造を用いて、頑健な誤差項を定式化する。
• 共役事前分布と構造的パrameter化を用いて、ベイジアンフレームワーク内で非負性と混合係数の合計が1である制約を強制する。
• 閉形式の条件付き後確率分布に基づき、混合係数、エンドメンバー、残差係数、ノイズ分散を繰り返し更新する座標降下アルゴリズムを用いる。

実験結果

リサーチクエスチョン

• RQ1 非線形性、エンドメンバーの変動、誤モデル化といった複数の誤差要因を同時に効果的に扱える単一の包括的モデルは、どのように構築できるか？
• RQ2 構造的事前分布を用いたベイジアン定式化は、現実的な画像条件下での混合係数推定の頑健性と精度を向上させることができるか？
• RQ3 提案された残差ベースのモデルは、既存の最先端アンミキシングアルゴリズムと比較して、性能と計算コストの両面で優れているか？
• RQ4 エンドメンバーの変動にガウス過程事前分布を用いることで、スペクトル再構成と混合係数推定の精度がどの程度向上するか？
• RQ5 座標降下アルゴリズムは、複雑な後確率分布をスケーラブルに効率的に最適化できるか？

主な発見

• 提案モデルは合成および実ハイパースペクトル画像において競争力のあるアンミキシング精度を達成し、混合係数推定の質において最先端手法を上回った。
• ベイジアンフレームワークは、ガウス過程事前分布を用いてスペクトル変化を滑らかで空間的に相関のある変化としてモデル化することで、エンドメンバーの変動を効果的に扱った。
• 残差ベースの定式化により、追加誤差項に二重線形モデル構造を埋め込むことで、非線形混合効果を効果的に捉えた。
• 階層的事前分布を用いて残差分散を局所的な画像特徴に適応させることで、外れ値や誤モデル化に対して頑健な性能を示した。
• 座標降下最適化は良好な収束速度と計算効率を達成し、実世界の応用に実用的であることを示した。
• 実データセットにおける定量的評価では、ベースラインの線形および非線形アンミキシングモデルと比較して、スペクトル角度距離（SAD）と平均二乗誤差（RMSE）の両方で顕著な改善が得られた。