[논문 리뷰] Fast Hyperspectral Unmixing in Presence of Nonlinearity or Mismodelling Effects

Abderrahim Halimi, José M. Bioucas‐Dias외 3명|arXiv (Cornell University)|2016. 07. 18.

Remote-Sensing Image Classification참고 문헌 40인용 수 4

한 줄 요약

이 논문은 다중 산란과 스펙트럼 변동성/이상치를 다루기 위해 추가 잔차를 통합한 비선형(NL) 및 오모델링 효과(ME)라는 두 가지 새로운 고분광 분해 모델을 제안한다. 볼록 최적화와 ADMM를 사용하여, 유사한 정확도와 계산 효율성을 갖춘 빠르고 강력한 분해를 동시에 추정한다.

ABSTRACT

This paper presents two novel hyperspectral mixture models and associated unmixing algorithms. The two models assume a linear mixing model corrupted by an additive term whose expression can be adapted to account for multiple scattering nonlinearities (NL), or mismodelling effects (ME). The NL model generalizes bilinear models by taking into account higher order interaction terms. The ME model accounts for different effects such as endmember variability or the presence of outliers. The abundance and residual parameters of these models are estimated by considering a convex formulation suitable for fast estimation algorithms. This formulation accounts for constraints such as the sum-to-one and non-negativity of the abundances, the non-negativity of the nonlinearity coefficients, the spectral smoothness of the ME terms and the spatial sparseness of the residuals. The resulting convex problem is solved using the alternating direction method of multipliers (ADMM) whose convergence is ensured theoretically. The proposed mixture models and their unmixing algorithms are validated on both synthetic and real images showing competitive results regarding the quality of the inference and the computational complexity when compared to the state-of-the-art algorithms.

연구 동기 및 목표

• 다중 산란, 엔드멤버 변동성, 희박한 이상치로 인해 선형 혼합 모델의 한계를 해결한다.
• 비선형성과 오모델링 효과를 추가 잔차 성분을 통해 통합적으로 모델링하는 프레임워크를 개발한다.
• 문제를 볼록 최적화 과제로 제시하여 계산 효율성과 수렴 보장을 확보한다.
• 잔차에 대한 희박성과 스펙트럼의 스무쓰함 제약 조건을 통해 물리적 타당성을 확보한다.
• 이론적 수렴 보장이 있는 ADMM를 사용하여 빠르고 확장 가능한 분해를 가능하게 한다.

제안 방법

• 고차 상호작용 기저(예: 3차 항)를 사용하여 비선형성을 모델링하고, ℓ1-노름 정규화를 통해 비선형성 계수에 희박성 조건을 부여한다.
• 엔드멤버 변동성 등의 오모델링 효과를 스펙트럼적으로 스무쓰한 잔차 항을 통해 모델링하며, 이는 사전(예: DCT 또는 스퍼라인)에 대한 희박한 선형 조합으로 표현된다.
• 혼합 문제를 볼록 최적화 과제로 제시하며, 제약 조건으로는 유사도 합이 1이 되고 비음성인 분포, 비선형성 계수의 비음성, ME 항의 스펙트럼 스무쓰함, 잔차의 공간적 희박성을 포함한다.
• 이론적 수렴 보장을 확보하기 위해 분해 문제를 해결하기 위해 교대 방향 방법의 다중자기(ADMM)를 사용한다.
• 공동 희박 회귀를 픽셀 간에 적용하여 잔차 항의 공간적 희박성을 촉진한다.
• 하위 문제를 닫힌 형태의 업데이트로 해결한다: ℓ1에 대한 소프트 스레시홀딩, ℓ2,1에 대한 그룹-소프트 스레시홀딩, 비음성 및 합이 1이 되는 제약 조건에 대한 투영.

실험 결과

연구 질문

• RQ1 이중 산란 효과가 이차 모델을 초월하여 고분광 분해를 어떻게 향상시킬 수 있는가?
• RQ2 통합된 프레임워크에서 비선형성과 엔드멤버 변동성 또는 이상치를 동시에 효과적으로 다룰 수 있는가?
• RQ3 어떤 볼록 최적화 공식화가 현실적인 제약 조건 하에서 빠르고 안정적이며 수렴 가능한 분해를 가능하게 하는가?
• RQ4 고차 상호작용 항과 희박 표현의 사용이 기존 모델 대비 분해 정확도를 어떻게 향상시키는가?
• RQ5 공동 희박성 구조는 희박한 이상치와 스펙트럼 변동성에 대해 얼마나 강력한 성능 향상을 이끌어내는가?

주요 결과

• 제안된 NL 모델은 고차 상호작용 항을 포함함으로써 이차 모델을 일반화하여 다중 산란 효과를 더 잘 표현할 수 있다.
• ME 모델은 사전(예: DCT 또는 스퍼라인)에 대한 스펙트럼적으로 스무 smoother이고 희박한 조합으로 표현되는 잔차를 모델링함으로써 엔드멤버 변동성과 이상치를 효과적으로 포착한다.
• ADMM 기반 알고리즘은 전역적으로 수렴하며, 실세계 고분광 데이터에 적합한 계산 복잡도를 갖는다.
• 합성 및 실세계 데이터셋에서, 기존 최고 수준의 알고리즘과 비교해 유사하거나 뛰어난 분해 정확도를 달성하면서도 계산 비용을 크게 감소시켰다.
• 픽셀 간의 공동 희박성 구조를 적용함으로써 희박한 이상치에 대한 강건성과 추정된 분포의 공간 일관성을 향상시켰다.
• ℓ1 및 ℓ2,1 정규화 덕분에 상호작용 항의 수가 증가하더라도(예: R=10, K=5일 때 최대 2992개 항) 강력한 성능을 유지한다.