[論文レビュー] Wavelet-Based Semantic Features for Hyperspectral Signature Discrimination

Siwei Feng, Yuki Itoh+2 more|arXiv (Cornell University)|Feb 11, 2016

Remote-Sensing Image Classification参考文献 28被引用数 6

ひとこと要約

本論文は、スケールにわたるハイパースペクトルシグネチャ構造をモデル化する非定常な隠れマルコフ連鎖（NHMC）を用いたウェーブレットベースの意味的特徴抽出手法を提案する。この手法により、ルールフリーで自動化された物質同定が可能となり、分類タスクにおいてスペクトルマッチング法やウェーブレット係数ベースの手法を上回る性能を発揮する。特に、データモデルパラメータ（DMP）が高くなる条件下でも、吸収帯などの診断的スペクトル特徴をウェーブレット係数の統計的モデリングによって捉えることで、優れた分類性能を達成する。

ABSTRACT

Hyperspectral signature classification is a quantitative analysis approach for hyperspectral imagery which performs detection and classification of the constituent materials at the pixel level in the scene. The classification procedure can be operated directly on hyperspectral data or performed by using some features extracted from the corresponding hyperspectral signatures containing information like the signature's energy or shape. In this paper, we describe a technique that applies non-homogeneous hidden Markov chain (NHMC) models to hyperspectral signature classification. The basic idea is to use statistical models (such as NHMC) to characterize wavelet coefficients which capture the spectrum semantics (i.e., structural information) at multiple levels. Experimental results show that the approach based on NHMC models can outperform existing approaches relevant in classification tasks.

研究の動機と目的

• ハイパースペクトルシグネチャから科学的に意味のある構造的特徴（意味的特徴）を抽出する、自動的かつルールフリーな手法の開発。
• 新規の物質が追加された際に、専門家の入力と再設定を要する手作業の診断ルールに起因する制限を克服すること。
• 複数スケールでのウェーブレット係数の統計的モデリングを通じて、スペクトルの意味的構造をモデル化し、ハイパースペクトル分類を向上させること。
• 適当な類似度尺度に依存せずに、吸収帯や不連続性といった重要なスペクトル特徴を保持する、頑健な分類を可能にすること。
• NHMCベースの特徴が、既存の特徴抽出法や直接的なスペクトルマッチング手法を上回る分類精度を示すことを実証すること。

提案手法

• 未量子化ウェーブレット変換（UWT）を用いて、ハイパースペクトルシグネチャを複数スケールおよびオフセットで係数に分解し、スペクトル解像度を完全に保持する。
• 隣接スケール間のウェーブレット係数の統計的依存関係をモデル化するために、非定常な隠れマルコフ連鎖（NHMC）を適用する。
• 各スペクトルバンドを個別のNHMCとしてモデル化し、元の信号を顕著な対比とそうでない対比を符号化する2値状態空間にマッピングする。
• ウェーブレット係数のマルチスケール相関を捉えるために、隠れマルコフツリー（HMT）フレームワークを活用し、急激な遷移や吸収帯といった構造的特徴を強調する。
• ウェーブレット係数の2値表現（顕著またはそれ以外）を用いて意味的コンテンツを符号化し、効率的な特徴抽出と分類を可能にする。
• 多数の異なる物質をカバーする大規模なスペクトルデータベース上でNHMCモデルを学習させ、意味のあるスペクトル構造の統計的パターンを学習する。

実験結果

リサーチクエスチョン

• RQ1 手作業のルールに依存せずに、ウェーブレット係数の統計的モデルがハイパースペクトルシグネチャの意味的特徴を効果的に符号化できるか。
• RQ2 NHMCベースの特徴抽出は、直接的なスペクトルマッチング法やウェーブレット係数ベースの分類と比較して、分類精度においてどのように異なるか。
• RQ3 訓練サンプル数が少ない（つまり、DMPが低い）状況下でも、本手法は高い性能を維持できるか。
• RQ4 訓練時に観測されていない新しい鉱物種に対しても、ルールの再設定なしに一般化可能か。
• RQ5 確率的HMMフレームワーク内でウェーブレット係数を用いることで、吸収帯のようなスペクトル特徴の識別がどの程度向上するか。

主な発見

• NHMCベースの特徴抽出手法は、特にDMP値が高い場合に、直接的なスペクトルマッチング法やウェーブレット係数ベースの分類手法を分類精度の面で上回る。
• DMPが低下するに従って、MOGやGMMベースラインと比較して、NHMC手法の性能低下が小さいことから、データスパarsityに対してより高い頑健性を示す。
• DMPが低い状況下でも、最良のNHMC特徴と最近傍法（NN）分類の組み合わせは、ベースライン手法の性能を上回ることを示し、優れた一般化性能を示している。
• 本手法は、ウェーブレット係数の統計的モデリングを通じて、吸収帯や不連続性といった重要な診断的スペクトル特徴を的確に捉え、保持している。
• UWTの使用により、スケールとオフセットの選択に最大限の柔軟性が得られ、スペクトル全体にわたり構造的特徴の高精度な局所化が可能になる。
• 本手法は、新規の鉱物種に対しても、専門家が定義したルールが不要な自動的かつルールフリーな特徴抽出を可能にし、未観測の鉱物種へのスケーラビリティを支援する。