[論文レビュー] Unmixing urban hyperspectral imagery with a Gaussian mixture model on endmember variability

Yuan Zhou, Erin B. Wetherley+1 more|arXiv (Cornell University)|Jan 25, 2018

Urban Heat Island Mitigation参考文献 5被引用数 3

ひとこと要約

本稿では、都市域の高スペクトル画像におけるエンドメンバーの変動をモデル化するガウス・ミックスチャネル・モデル（GMM）に基づくスペクトルアンミキシング手法を提案する。この手法により、手動によるライブラリ削減を伴わずに、正確な濃度推定が可能となる。アプローチは、特に大規模なスペクトルライブラリを用いる場合、MESMAと同等の精度を達成するが、スケーラブルで分布ベースの定式化により、データセット間での耐性が向上している。

ABSTRACT

In this paper, we model a pixel as a linear combination of endmembers sampled from probability distributions of Gaussian mixture models (GMM). The parameters of the GMM distributions are estimated using spectral libraries. Abundances are estimated based on the distribution parameters. The advantage of this algorithm is that the model size grows very slowly as a function of the library size. To validate this method, we used data collected by the AVIRIS sensor over the Santa Barbara region: two 16 m spatial resolution and two 4 m spatial resolution images. 64 validated regions of interest (ROI) (180 m by 180 m) were used to assess estimate accuracy. Ground truth was obtained using 1 m images leading to the following 6 classes: turfgrass, non-photosynthetic vegetation (NPV), paved, roof, soil, and tree. Spectral libraries were built by manually identifying and extracting pure spectra from both resolution images, resulting in 3,287 spectra at 16 m and 15,426 spectra at 4 m. We then unmixed ROIs of each resolution using the following unmixing algorithms: the set-based algorithms MESMA and AAM, and the distribution-based algorithms GMM, NCM, and BCM. The original libraries were used for the distribution-based algorithms whereas set-based methods required a sophisticated reduction method, resulting in reduced libraries of 61 spectra at 16 m and 95 spectra at 4 m. The results show that GMM performs best among the distribution-based methods, producing comparable accuracy to MESMA, and may be more robust across datasets.

研究の動機と目的

• 照明、幾何学的要因、スケールの違いに起因する同じ物質のスペクトルシグネイチャの変動という、都市域の高スペクトルアンミキシングにおけるエンドメンバーの変動の課題に対処すること。
• 大規模なスペクトルライブラリを扱う際、従来のセットベースのアンミキシング手法（例：MESMA）が直面する計算コストの高さとヒューリスティックな限界を克服すること。これらの手法は、大規模ライブラリを処理するにあたり、広範なライブラリ削減を必要としている。
• ガウス・ミックスチャネル・モデル（GMM）を用いてエンドメンバーを確率分布としてモデル化する、スケーラブルで分布ベースのアンミキシングフレームワークを構築すること。これにより、手動によるライブラリの保守に依存する度合いを低減する。
• 16 mおよび4 mの空間分解能におけるAVIRISデータを用いて、高分解能の地上走査データを用いて6つの土地被覆クラスの精度を評価する。
• GMMベースの手法が、セットベースの手法が手動でカスタマイズされた縮小ライブラリを必要とするのに対し、フルスペクトルライブラリをそのまま使用しても高い精度を維持できることを示すこと。

提案手法

• 各ピクセルを、学習済みのGMMパラメータからサンプリングされたエンドメンバーの線形結合としてモデル化し、エンドメンバーのスペクトル変動を学習済みのGMMパラメータで捉える。
• 16 mおよび4 m解像度のAVIRIS画像から抽出した大規模なスペクトルライブラリから、GMMパラメータ（平均、共分散、混合重み）を推定する。
• 最適なGMMコンポーネント数を決定するために、交差検証に基づく手法（T_CVIC）を用い、精度と計算コストのバランスを取る。
• 学習済みのGMM分布から、最も確率の高いエンドメンバーの組み合わせを計算することで、各ピクセルの濃度を推定する。
• 一部の実験では空間的事前分布を組み込んだが、性能が一貫せず、最終的な評価ではわずかな向上が得られなかったため、使用を見送った。
• 同一のスペクトルライブラリと地上走査データを用いて、GMM手法をセットベース手法（MESMA、AAM）および他の分布ベース手法（NCM、BCM）と比較した。

実験結果

リサーチクエスチョン

• RQ1 GMMベースのアンミキシングフレームワークは、手動によるライブラリ削減を回避しつつ、MESMAと同等のアンミキシング精度を達成できるか？
• RQ2 フルスペクトルライブラリを用いた場合、16 mと4 mの異なる空間分解能において、GMMベースの手法はどのように性能を示すか？
• RQ3 特定データセットに特化したライブラリ削減に依存するセットベース手法とは異なり、GMMベースの手法は複数のデータセットにわたってより高い耐性を示すか？
• RQ4 GMMを用いてモデル化されたエンドメンバーの変動は、固定エンドメンバーモデルと比較して、濃度推定の精度にどのように影響を与えるか？
• RQ5 不均一な都市域シーンにおけるGMMベースのアンミキシング性能に、空間的事前分布はどのような影響を及ぼすか？

主な発見

• GMMベースのアンミキシング手法は、MESMAと同等の精度を達成した。16 mデータではR²が0.867、4 mデータでは0.923を記録し、同じデータセットを用いた先行研究の報告値と一致した。
• 16 mデータではGMMがR²においてわずかにMESMAを上回ったが、4 mデータではやや劣ったものの、依然として非常に競争力のある性能を示した。
• GMM手法は、手動によるライブラリ削減を一切必要としなかった。一方、MESMAは16 mで61、4 mで95のスペクトルに制限された縮小ライブラリに依存していた。
• GMM手法は、データセット固有のライブラリ削減に依存しないため、より高い耐性を示した。これは、一般化性能の制限要因を回避する上で重要である。
• 空間的事前分布は性能向上に顕著な寄与を示さなかった。これは、ピクセルサイズが比較的大きく（16 mおよび4 m）、シーンの不均一性が高いため、空間的滑らかさ仮定の有効性が低下したためと推察される。
• 地上走査データとAVIRIS画像の間の誤登録による、データセットの地上走査にわずかな誤差が含まれており、これが16 mデータのわずかな誤差上昇に寄与した可能性がある。しかし、今後の研究で画像登録を精密化することで、この影響は軽減された。