[논문 리뷰] Bayesian Segmentation of Oceanic SAR Images: Application to Oil Spill Detection

Sónia Pelizzari, José M. Bioucas‐Dias|arXiv (Cornell University)|2010. 07. 26.

Oil Spill Detection and Mitigation참고 문헌 27인용 수 5

한 줄 요약

이 논문은 등방성 밀도를 모델링하기 위해 유한한 감마 분포 혼합모형을 사용하고, 국소적 균일성을 강제하기 위해 다수준 로지스틱 마르코프 무작위장(MRF) 사전확률을 적용한 베이지안 분할 알고리즘을 제안한다. 이 방법은 자동 부드러움 파라미터 추정을 위한 루프가 있는 신뢰도 전파를 통한 EM 알고리즘과 효율적인 MAP 분할을 위한 그래프 컷 기법(α-확장)을 활용하여 실제 ERS 및 엔비자라트 영상에서 정확한 기름 유출 탐지 성능을 달성한다.

ABSTRACT

This paper introduces Bayesian supervised and unsupervised segmentation algorithms aimed at oceanic segmentation of SAR images. The data term, \emph{i.e}., the density of the observed backscattered signal given the region, is modeled by a finite mixture of Gamma densities with a given predefined number of components. To estimate the parameters of the class conditional densities, a new expectation maximization algorithm was developed. The prior is a multi-level logistic Markov random field enforcing local continuity in a statistical sense. The smoothness parameter controlling the degree of homogeneity imposed on the scene is automatically estimated, by computing the evidence with loopy belief propagation; the classical coding and least squares fit methods are also considered. The maximum a posteriori segmentation is computed efficiently by means of recent graph-cut techniques, namely the $α$-Expansion algorithm that extends the methodology to an optional number of classes. The effectiveness of the proposed approaches is illustrated with simulated images and real ERS and Envisat scenes containing oil spills.

연구 동기 및 목표

• 환경 모니터링에 있어 중요한 기름 유출과 같은 어두운 서브시그니처를 해양 SAR 영상에서 분할하는 데 도전하는 것.
• 반사 강도 변동성에 대한 강력한 통계 모델을 통합하여 기존의 분할-분류 파ip라인을 향상시키는 것.
• SAR 자료의 복잡한 다중모달 강도 분포에 적응 가능한 지도 및 비지도 베이지안 분할 알고리즘을 개발하는 것.
• 루프가 있는 신뢰도 전파를 사용하여 MRF 부드러움 파라미터를 자동으로 추정함으로써 수동 조정 없이도 영상의 균일성을 향상시키는 것.
• α-확장 그래프 컷 알고리즘을 통해 임의의 수의 클래스를 지원하는 분할 프레임워크를 확장하여 다기능 탐지에 대한 유연성을 높이는 것.

제안 방법

• 각 성분의 형태 및 비율 파라미터를 갖는 유한한 감마 분포 혼합모형을 사용하여 SAR 반사 신호의 조건부 밀도를 모델링한다.
• 각 픽셀의 누락된 데이터(성분 할당)를 포함한 새로운 기대치-최대화(EM) 알고리즘을 통해 혼합 모수(형태, 비율, 혼합 가중치)를 추정한다.
• 이차 이웃성질을 갖는 다수준 로지스틱 마르코프 무작위장(MLL-MRF) 사전확률을 적용하여 공간 연속성과 지역 균일성을 강제한다.
• 모델 증거를 계산하기 위해 루프가 있는 신뢰도 전파(LBP)를 사용하여 MRF 부드러움 파라미터를 자동으로 추론하며, 대안으로 최소 제곱법 및 코딩 방법을 고려한다.
• 임의의 수의 클래스에 대해 정확하고 효율적인 최대 사후확률(MAP) 분할을 구현하기 위해 α-확장 그래프 컷 알고리즘을 구현한다.
• 지도 기반 접근법을 사용하여 사용자가 기름과 물 영역를 수동으로 선택하고, 비지도 변형은 반복적 인자 보정을 통해 이 과정을 제거한다.

실험 결과

연구 질문

• RQ1 해양 SAR 반사 신호의 다중모달 강도 분포, 특히 기름 유출과 그 주변 수면을 위해 유한한 감마 분포 혼합모형이 효과적으로 작용할 수 있는가?
• RQ2 사용자 입력 없이도 분할 정확도와 공간 일관성을 균형 잡는 데 MRF 사전확률의 부드러움 파라미터를 자동으로 추정할 수 있는가?
• RQ3 제안된 베이지안 분할 프레임워크는 기존의 임계치 설정 또는 고정 파라미터 방법에 비해 기름 유출 탐지 정확도를 얼마나 향상시키는가?
• RQ4 모델 증거 계산을 위한 루프가 있는 신뢰도 전파가 MRF 부드러움 파라미터 추정에서 전통적 방법(LSF, CD)에 비해 어떻게 성능이 뛰어나게 되는가?
• RQ5 α-확장 그래프 컷 알고리즘이 SAR 영상 분할에서 임의의 수의 클래스에 대해 정확하고 효율적으로 MAP 분할 문제를 해결할 수 있는가?

주요 결과

• 제안된 베이지안 분할 프레임워크는 실제 ERS 및 엔비자라트 SAR 영상에서 기름 유출 탐지에 높은 정확도를 달성하며, 분할 결과가 지상 참조(annotation)와 매우 유사하게 나타난다.
• 감마 혼합모형은 해양 SAR 자료의 다중모달 강도 분포를 효과적으로 포착하며, 레일리 또는 웨이불과 같은 단일 분포 모형보다 뛰어난 성능을 보인다.
• 부드러움 파라미터 추정에 루프가 있는 신뢰도 전파를 사용할 경우, 다양한 무늬를 가진 복잡한 영상에서 최소 제곱법 및 코딩 방법 대비 뛰어난 분할 성능을 보인다.
• 비지도 알고리즘은 사용자 제공 훈련 영역이 없이도 기름 유출을 성공적으로 탐지하여 실제 환경의 변동성에 대한 강건성과 적응성을 입증한다.
• α-확장 그래프 컷 알고리즘은 두 개 이상의 클래스에 대해서도 정확하고 효율적인 MAP 분할을 가능하게 하여 계산적 확장성과 정확도를 크게 향상시킨다.
• 누락된 데이터 모델링을 통한 EM 알고리즘은 수십 번의 반복 내에 안정적으로 수렴하며, 초기 모수 추정치는 데이터 범위와 균일한 간격의 감마 성분에서 유도된다.