[논문 리뷰] Hyperspectral Unmixing in Presence of Endmember Variability, Nonlinearity or Mismodelling Effects

Abderrahim Halimi, Paul Honeiné외 1명|HAL (Le Centre pour la Communication Scientifique Directe)|2015. 11. 18.

Remote-Sensing Image Classification인용 수 6

한 줄 요약

이 논문은 비선형성, 엔드멤버 변동성, 오차 모델링 오류를 유연한 잔차 성분 모델을 통해 통합적으로 모델링하는 베이지안 고분광 분해 프레임워크를 제안한다. 추가 잔차 항을 다양한 물리적 현상으로 표현하고, MAP 추정을 위해 좌표 강하(coordinate descent)를 적용함으로써, 합성 및 실재 데이터에서 최신 기술 대비 높은 정확도와 계산 효율성을 달성한다.

ABSTRACT

This paper presents three hyperspectral mixture models jointly with Bayesian algorithms for supervised hyperspectral unmixing. Based on the residual component analysis model, the proposed general formulation assumes the linear model to be corrupted by an additive term whose expression can be adapted to account for nonlinearities (NL), endmember variability (EV), or mismodelling effects (ME). The NL effect is introduced by considering a polynomial expression that is related to bilinear models. The proposed new formulation of EV accounts for shape and scale endmember changes while enforcing a smooth spectral/spatial variation. The ME formulation takes into account the effect of outliers and copes with some types of EV and NL. The known constraints on the parameter of each observation model are modeled via suitable priors. The posterior distribution associated with each Bayesian model is optimized using a coordinate descent algorithm which allows the computation of the maximum a posteriori estimator of the unknown model parameters. The proposed mixture and Bayesian models and their estimation algorithms are validated on both synthetic and real images showing competitive results regarding the quality of the inferences and the computational complexity when compared to the state-of-the-art algorithms.

연구 동기 및 목표

• 비선형 혼합, 엔드멤버 스펙트럼 변동성, 또는 신호 처리 오류에 직면했을 때 표준 선형 스펙트럼 분해의 한계를 해결한다.
• 비선형성, 엔드멤버 변동성, 또는 오차 모델링 오류를 적응적으로 반영할 수 있는 공통 잔차 성분을 통해 일반적인 혼합 모델 형식을 개발한다.
• 물리적 제약 조건(비음성, 합이 1이 되는 조건)을 강제하고 불확실성 모델링을 위해 구조적 사전 분포를 사용하는 베이지안 추정 방법을 도입한다.
• 풍부도, 엔드멤버, 잔차 파라미터의 최대 사후확률(MAP) 추정치를 효율적으로 계산하기 위해 좌표 강하 알고리즘을 설계한다.
• 제안된 모델이 합성 및 실재 고분광 데이터 세트에서 검증되어 최신 기술 대비 뛰어난 내성성과 경쟁력 있는 성능을 입증한다.

제안 방법

• 선형 혼합 모델이 추가 잔차 항에 의해 손상되는 일반 혼합 모델을 제안하며, 이 잔차 항의 구조를 비선형성, 엔드멤버 변동성, 또는 오차 모델링을 표현하도록 재구성한다.
• 비선형성을 엔드멤버 간의 이차 상호작용을 캡처하기 위해 비율의 다항식 전개, 특히 이차형식(bilinear form)을 사용하여 모델링한다.
• 엔드멤버 스펙트럼에 가우시안 프로세스 사전분포를 적용하여 엔드멤버 형태와 척도의 매끄럽고 공간적으로 상관된 변화를 허용한다.
• 이상치와 잔차 오차를 고려하기 위해 계층적 사전분포 구조(역감마분포 및 감마분포)를 사용하는 강력한 오차 항을 통해 오차 모델링 오류를 모델링한다.
• 비음성 및 풍부도 합이 1이 되는 조건 등의 물리적 제약 조건을 공액 사전분포와 구조적 파rameterization을 통해 베이지안 프레임워크 내에서 강제한다.
• 모든 파라미터(풍부도, 엔드멤버, 잔차 계수, 노이즈 분산 등)의 사후분포를 순차적으로 갱신하기 위해 좌표 강하 알고리즘을 사용하며, 이는 폐쇄형 조건부 사후분포 기반이다.

실험 결과

연구 질문

• RQ1 하나의 통합 모델이 비선형성, 엔드멤버 변동성, 오차 모델링 오류와 같은 다수의 오류 원인을 효과적으로 동시에 고려할 수 있는가?
• RQ2 구조적 사전분포를 갖춘 베이지안 형식이 현실적인 영상 조건 하에서 풍부도 추정의 내성성과 정확도를 향상시킬 수 있는가?
• RQ3 기존 최신 기술 대비 제안된 잔차 기반 모델은 성능과 계산 비용 측면에서 어떻게 비교되는가?
• RQ4 엔드멤버 변동성에 대해 가우시안 프로세스 사전분포를 사용할 경우 스펙트럼 복원 및 풍부도 추정에 얼마나 기여하는가?
• RQ5 좌표 강하 알고리즘이 복잡한 사후분포를 효율적이고 확장 가능한 방식으로 최적화할 수 있는가?

주요 결과

• 제안된 모델은 합성 및 실재 고분광 영상에서 최신 기술 대비 경쟁적인 분해 정확도를 달성하며, 풍부도 추정 품질 측면에서 슈퍼리어한 성능을 보였다.
• 베이지안 프레임워크는 가우시안 프로세스 사전분포를 통해 스펙트럼 변화를 매끄럽고 공간적으로 상관된 변화로 모델링함으로써 엔드멤버 변동성을 효과적으로 처리하였다.
• 잔차 기반 형식은 추가 오차 항 내에 이차형식 모델링을 통합함으로써 비선형 혼합 효과를 성공적으로 캡처하였다.
• 잔차 분산에 계층적 사전분포를 통합함으로써 이론적으로 이상치 및 오차 모델링 오류에 대해 강건성을 확보하였으며, 지역 영상 특성에 적응하였다.
• 좌표 강하 최적화는 빠른 수렴 속도와 뛰어난 계산 효율성을 보였으며, 실세계 응용에 실용적인 방법이 되었다.
• 실재 데이터 세트에 대한 정량적 결과는 기준 선형 및 비선형 분해 모델 대비 스펙트럼 각도 거리(SAD)와 평균 제곱근 오차(RMSE)에서 뚜렷한 향상을 보였다.