[논문 리뷰] An automatic bad band preremoval algorithm for hyperspectral imagery

Luyan Ji, Xiurui Geng외 2명|arXiv (Cornell University)|2016. 10. 19.

Remote-Sensing Image Classification참고 문헌 25인용 수 4

한 줄 요약

이 논문은 표적 탐지에서 밴드 중요도의 대체 지표로 일치 필터(MF) 계수 벡터를 사용하여 고분광 영상에 대한 자동화된 나쁜 밴드 제거 알고리즘을 제안한다. 여러 표적에 걸쳐 MF 가중치의 절대값을 분석함으로써, 수동 검토 없이 저 SNR 밴드—특히 수분 흡수 밴드—를 식별하고 제거하며, 세 가지 벤치마크 데이터셋에서 일관되고 정확한 탐지 성능을 달성한다.

ABSTRACT

For most hyperspectral remote sensing applications, removing bad bands, such as water absorption bands, is a required preprocessing step. Currently, the commonly applied method is by visual inspection, which is very time-consuming and it is easy to overlook some noisy bands. In this study, we find an inherent connection between target detection algorithms and the corrupted band removal. As an example, for the matched filter (MF), which is the most widely used target detection method for hyperspectral data, we present an automatic MF-based algorithm for bad band identification. The MF detector is a filter vector, and the resulting filter output is the sum of all bands weighted by the MF coefficients. Therefore, we can identify bad bands only by using the MF filter vector itself, the absolute value of whose entry accounts for the importance of each band for the target detection. For a specific target of interest, the bands with small MF weights correspond to the noisy or bad ones. Based on this fact, we develop an automatic bad band preremoval algorithm by utilizing the average absolute value of MF weights for multiple targets within a scene. Experiments with three well known hyperspectral datasets show that our method can always identify the water absorption and other low signal-to-noise (SNR) bands that are usually chosen as bad bands manually.

연구 동기 및 목표

• 고분광 데이터 전처리에서 수동 나쁜 밴드 제거의 비효율성과 주관성을 해결하기 위해.
• 노이즈가 많거나 손상된 밴드를 식별하기 위해 시간이 많이 소요되는 시각적 검토에 의존도를 줄이기 위해.
• 표적 탐지 알고리즘을 활용하여 저품질 스펙트럼 밴드의 자동 식별을 가능하게 하기 위해.
• 나쁜 밴드 위치에 대한 사전 지식이 없이도 다양한 고분광 데이터셋에 적용 가능한 강력하고 데이터 기반의 방법을 개발하기 위해.
• 처리 파이프라인에서 고려되는 것이 고질적인 밴드들만 사용하도록 함으로써, 후속 고분광 분석의 향상

제안 방법

• 표적 탐지를 위한 탐지 프레임워크로 일치 필터(MF)를 사용하며, MF 필터 벡터는 각 스펙트럼 밴드가 표적 탐지에 기여하는 정도를 코딩한다.
• 각 표적으로부터 MF 계수의 절대값을 추출하여, 해당 표적을 탐지하는 데 있어 각 밴드의 상대적 중요도를 나타낸다.
• 장면 내 여러 표적에 걸쳐 평균 절대 MF 가중치를 계산하여, 항상 기여도가 낮은 밴드를 식별한다.
• 평균 절대 MF 가중치가 동적으로 결정된 임계값 이하인 밴드를 나쁜 밴드로 정의하며, 이는 낮은 신호 대 잡음비(SNR)를 나타낸다.
• 실제 고분광 데이터셋에 알고리즘을 적용하여, 수분 흡수 밴드와 같은 알려진 문제 밴드를 탐지할 수 있는지 검증한다.
• 스펙트럼 반응 패턴과 알려진 흡수 특징을 기준으로 하여, 식별된 나쁜 밴드의 정확성을 평가한다.

실험 결과

연구 질문

• RQ1 일치 필터의 계수 벡터는 고분광 영상에서 저신호 대 잡음비(SNR) 밴드를 자동으로 식별하는 데 사용될 수 있는가?
• RQ2 여러 표적에 걸친 평균 절대 MF 가중치는 수분 흡수 밴드와 같은 알려진 나쁜 밴드를 탐지하는 데 얼마나 효과적인가?
• RQ3 정확도, 일관성, 계산 효율성 측면에서 수동 검토에 비해 제안된 방법이 뛰어난가?
• RQ4 재학습이나 수동 튜닝 없이도 다양한 고분광 데이터셋에 일반화 가능한가?
• RQ5 나쁜 밴드 제거 후 표적 탐지 성능을 어느 정도 유지하는가?

주요 결과

• 제안된 방법은 세 가지 벤치마크 고분광 데이터셋 전반에서 수분 흡수 밴드와 기타 저 SNR 밴드를 성공적으로 식별하였다.
• 알고리즘이 높은 일관성으로 나쁜 밴드를 탐지하여, 수동 검토의 주관성과 놓침 위험을 피할 수 있었다.
• 여러 표적에 걸친 평균 절대 MF 가중치 사용이, 표적 탐지에 기여도가 낮은 밴드를 식별하는 데 있어 강건성을 향상시켰다.
• 밴드 위치에 대한 사전 지식이나 수동 레이블링 없이도 정확한 나쁜 밴드 식별이 가능했다.
• 실험 결과, 강한 대기 흡수 영역에서 특히 품질이 열 劣한 밴드를 알고리즘이 신뢰성 있게 분리하는 것으로 확인되었다.
• 다양한 환경에서 우수한 성능을 보여, 실제 고분광 응용 분야로의 일반화 가능성을 입증하였다.