[논문 리뷰] A Joint Morphological Profiles and Patch Tensor Change Detection for Hyperspectral Imagery

Zengfu Hou, Wei Li|arXiv (Cornell University)|2022. 01. 20.

Remote-Sensing Image Classification인용 수 4

한 줄 요약

이 논문은 히퍼스펙트럴 영상에 대한 새로운 연합 형태적 프로파일 및 패치-텐서 변화 탐지(JMPT) 방법을 제안한다. 이 방법은 패치 기반 텐서 재구성과 다중 척도 형태적 프로파일을 통한 공간-스펙트럼 특징의 공동 활용을 통해 탐지 정확도를 향상시킨다. 두 개의 실제 데이터셋에서 최신 기술 수준(SOTA) 성능을 달성하였으며, AUC 점수는 Hermiston에서 83.769%, Yancheng에서 96.119%를 기록하여 기존 방법들을 능가하지만, 계산 비용이 더 높다.

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.

연구 동기 및 목표

• 다중 시점 히퍼스펙트럴 영상에서 공간적 및 스펙트럼적 상관관계를 완전히 활용하지 못하는 전통적 변화 탐지 방법의 한계를 해결하기 위해.
• 기존 단일 밴드 또는 다중 밴드 알고리즘에서 차원 축소로 인한 스펙트럼 정보 손실 문제를 해결하기 위해.
• 히퍼스펙트럴 데이터의 3차원 구조를 유지하면서 기능 표현을 향상시켜 변화 탐지 성능을 향상시키는 방법을 개발하기 위해.
• 형태적 프로파일과 텐서 기반 재구성을 통합하여 국소적 공간적 구조와 스펙트럼 변동성을 더 잘 포착하기 위해.
• 더 높은 탐지 정확도와 변화된 픽셀 및 변화되지 않은 픽셀 간의 더 나은 분리성 확보를 위해.

제안 방법

• 비중첩 국소 이미지 패치를 3차원 텐서 큐브로 재구성하는 패치 기반 텐서 전략을 사용하여 공간적 구조를 유지한다.
• 3차 텐서 큐브에 대해 삼차 투커 분해를 적용하여 저랭크 표현을 추출하고 다중 시점 히퍼스펙트럴 데이터를 강력하게 재구성한다.
• 최대 트리 및 최소 트리 포함 다수의 형태적 프로파일을 계산하여 재구성된 데이터에서 위상 및 강도 기반 특징을 추출한다.
• 형태적 프로파일과 텐서 재구성 특징을 융합하여 최종 변화 탐지 지apap을 생성한다.
• 형태 분석과 텐서 기반 차원 축소 및 재구성의 조합을 통해 스펙트럼 변동성과 공간적 맥락을 동시에 활용한다.
• 공간적 및 스펙트럼적 특징을 병렬 처리한 후 융합하기 위해 이중 파이프라인 시스템으로 설계된 프레임워크를 사용한다.

실험 결과

연구 질문

• RQ1 형태적 프로파일과 패치-텐서 표현의 공동 처리가 히퍼스펙트럴 영상에서의 변화 탐지 정확도 향상에 기여하는가?
• RQ2 텐서 분해를 통해 히퍼스펙트럴 데이터의 3차원 구조를 유지함으로써 2차원 평탄화 대비 특징 표현이 어떻게 향상되는가?
• RQ3 최대 트리 및 최소 트리 형태적 프로파일이 변화된 픽셀과 변화되지 않은 픽셀 간의 분리성 향상에 얼마나 기여하는가?
• RQ4 AUC 및 계산 효율성 측면에서 제안된 JMPT 방법은 최신 기술 수준의 방법들과 비교해 어떻게 성능을 내는가?
• RQ5 텐서 기반 재구성과 형태적 특징의 융합이 배경 노이즈를 더 효과적으로 억제하고 진짜 변화를 더 잘 부각시키는가?

주요 결과

• Hermiston 데이터셋에서 JMPT 방법은 83.769%의 AUC를 기록하여 TDRD(80.215%) 및 SALA(80.445%)를 모두 능가하는 성과를 달성하였다.
• Yancheng 데이터셋에서는 JMPT가 96.119%의 최고 AUC를 기록하여 TDRD(95.275%) 및 SALA(95.004%)를 크게 초월하였다.
• 통계적 분리성 분석 결과, JMPT의 경우 변화된(빨간색) 및 변화되지 않은(파란색) 픽셀 분포 간 간격이 가장 커, 뛰어난 클래스 분리성 임을 시사하였다.
• ROC 곡선 분석 결과, JMPT의 곡선이 항상 좌상단 모서리에 가장 가까이 위치하여 두 데이터셋 모두에서 뛰어난 탐지 성능을 입증하였다.
• 실행 시간은 Hermiston에서 190.62초, Yancheng에서 49.40초로 계산 비용이 높았으며, 주로 형태적 특징 추출 및 투커 분해 과정에서 기인하였다.