[논문 리뷰] Dimensionality Reduction of Hyperspectral Imagery Based on Spatial-spectral Manifold Learning

Hong Huang, Guangyao Shi외 3명|arXiv (Cornell University)|2018. 12. 22.

Remote-Sensing Image Classification참고 문헌 27인용 수 7

한 줄 요약

이 논문은 고분광 영상에 대한 비지도 차원 축소 방법인 SSMRPE를 제안하며, 공간-스펙트럼 병합 거리(SSCD)를 통해 공간적 및 스펙트럼적 정보를 통합하여 강력한 인접 그래프를 구축하고 다양체 복원을 향상시킨다. 각 픽셀과 이웃 간의 공간적 관계를 기반으로 복원 가중치를 조정함으로써, 분류 성능을 향상시키고, PaviaU 및 Salinas 데이터셋에서 상태최저 수준의 분류 정확도를 달성한다. 1%의 학습 샘플 조건에서 Salinas에서 전체 정확도 99.28%와 캄파 계수 99.12를 기록한다.

ABSTRACT

The graph embedding (GE) methods have been widely applied for dimensionality reduction of hyperspectral imagery (HSI). However, a major challenge of GE is how to choose proper neighbors for graph construction and explore the spatial information of HSI data. In this paper, we proposed an unsupervised dimensionality reduction algorithm termed spatial-spectral manifold reconstruction preserving embedding (SSMRPE) for HSI classification. At first, a weighted mean filter (WMF) is employed to preprocess the image, which aims to reduce the influence of background noise. According to the spatial consistency property of HSI, the SSMRPE method utilizes a new spatial-spectral combined distance (SSCD) to fuse the spatial structure and spectral information for selecting effective spatial-spectral neighbors of HSI pixels. Then, it explores the spatial relationship between each point and its neighbors to adjusts the reconstruction weights for improving the efficiency of manifold reconstruction. As a result, the proposed method can extract the discriminant features and subsequently improve the classification performance of HSI. The experimental results on PaviaU and Salinas hyperspectral datasets indicate that SSMRPE can achieve better classification accuracies in comparison with some state-of-the-art methods.

연구 동기 및 목표

• 기존 그래프 임bedding 방법이 고분광 영상(HSI) 차원 축소에서 공간 상관관계를 忽略하고 임의의 이웃 선택에 의존하는 한계를 해결하기 위해.
• 이웃 선택 및 다양체 복원을 위한 통합 프레임워크에서 공간적 구조와 스펙트럼 정보를 통합하여 분류 성능을 향상시키기 위해.
• 내재된 다양체 구조를 유지하면서도 고분광 영상 분류를 위한 분류 특징 추출 능력을 향상시키는 비지도 방법을 개발하기 위해.

제안 방법

• 배경 노이즈를 억제하고 데이터 품질을 향상시키기 위해 사전 처리로 가중 평균 필터(WMF)를 적용한다.
• 공간적 근접성과 스펙트럼 유사성을 융합하여 효과적인 공간-스펙트럼 이웃을 선택하기 위해 새로운 공간-스펙트럼 병합 거리(SSCD)를 제안한다.
• SSCD를 사용하여 공간-스펙트럼 인접 그래프를 구축함으로써 고분광 영상 데이터의 내재된 다양체 구조를 더 잘 포착한다.
• 각 픽셀과 이웃 간의 공간적 관계를 기반으로 복원 가중치를 동적으로 조정하여 다양체 복원 효율성을 향상시킨다.
• 낮은 차원 공간에서 국소적 복원 관계를 유지하는 그래프 임bedding 프레임워크를 활용한다.
• 최종 임베딩은 다양체 복원과 분류 특징 추출을 균형 잡는 최적화 과정을 통해 학습된다.

실험 결과

연구 질문

• RQ1 고분광 영상 차원 축소에서 공간적 및 스펙트럼적 정보를 효과적으로 융합하여 이웃 선택을 향상시킬 수 있는가?
• RQ2 복원 가중치 조정에 공간적 관계를 통합하면 다양체 학습 및 분류 성능 향상에 기여하는가?
• RQ3 제안된 공간-스펙트럼 병합 거리(SSCD)가 스펙트럼 전용 또는 공간 전용 접근 방식보다 내재된 다양체 구조를 더 잘 유지하는가?
• RQ4 낮은 학습 샘플 조건에서 SSMRPE는 최신 차원 축소 기법들과 비교해 분류 정확도와 내구성 면에서 뛰어나게 성능을 내는가?
• RQ5 비지도 성격을 고려할 때, 레이블이 없는 데이터로도 제안된 방법이 뛰어난 성능을 달성할 수 있는가?

주요 결과

• 클래스당 1%의 레이블된 샘플을 가진 Salinas 데이터셋에서 SSMRPE는 전체 정확도 99.28%를 기록하여 PCA(93.27%), LDA(97.71%), LPNPE(98.41%)를 크게 앞서며 최고의 성능을 보였다.
• SSMRPE는 Salinas에서 캄파 계수 99.12를 기록하여 비교된 모든 방법을 초월했으며, 이는 지표와의 높은 일치도와 노이즈에 대한 내구성을 시사한다.
• PaviaU 데이터셋에서 SSMRPE는 전체 정확도 99.15%를 달성하여 다양한 지형 피복 유형에서 뛰어난 성능을 보였다.
• 시각적 분류 지도에서 SSMRPE는 특히 다양한 생육 단계의 잡초 및 양송이와 같은 복잡한 클래스에서 더 부드럽고 균일한 영역을 생성했다.
• 이웃 선택 및 복원 가중치 조정에서 공간-스펙트럼 일관성을 활용함으로써, 모호하거나 노이즈가 많은 영역에서 분류 오류를 효과적으로 줄였다.
• 제거 실험에서 SSCD와 공간 가중 복원 메커니즘이 성능에 결정적인 역할을 함을 확인하였으며, 둘 중 하나를 제거하면 정확도가 크게 떨어졌다.