[논문 리뷰] Unmixing urban hyperspectral imagery with a Gaussian mixture model on endmember variability

Yuan Zhou, Erin B. Wetherley외 1명|arXiv (Cornell University)|2018. 01. 25.

Urban Heat Island Mitigation참고 문헌 5인용 수 3

한 줄 요약

이 논문은 도시 고분해능 영상에서 엔드멤버의 변동성을 모델링하는 가우시안 믹스처 모델(GMM) 기반 스펙트럼 분해 방법을 제안한다. 이는 수동적 라이브러리 축소 없이 정확한 비율 추정을 가능하게 하며, 대규모 스펙트럼 라이브러리에서 MESMA 수준의 정확도를 달성하면서도 데이터셋 간에 더 뛰어난 안정성을 보인다. 이는 확장 가능한 분포 기반 수식에 기반하여 구현된다.

ABSTRACT

In this paper, we model a pixel as a linear combination of endmembers sampled from probability distributions of Gaussian mixture models (GMM). The parameters of the GMM distributions are estimated using spectral libraries. Abundances are estimated based on the distribution parameters. The advantage of this algorithm is that the model size grows very slowly as a function of the library size. To validate this method, we used data collected by the AVIRIS sensor over the Santa Barbara region: two 16 m spatial resolution and two 4 m spatial resolution images. 64 validated regions of interest (ROI) (180 m by 180 m) were used to assess estimate accuracy. Ground truth was obtained using 1 m images leading to the following 6 classes: turfgrass, non-photosynthetic vegetation (NPV), paved, roof, soil, and tree. Spectral libraries were built by manually identifying and extracting pure spectra from both resolution images, resulting in 3,287 spectra at 16 m and 15,426 spectra at 4 m. We then unmixed ROIs of each resolution using the following unmixing algorithms: the set-based algorithms MESMA and AAM, and the distribution-based algorithms GMM, NCM, and BCM. The original libraries were used for the distribution-based algorithms whereas set-based methods required a sophisticated reduction method, resulting in reduced libraries of 61 spectra at 16 m and 95 spectra at 4 m. The results show that GMM performs best among the distribution-based methods, producing comparable accuracy to MESMA, and may be more robust across datasets.

연구 동기 및 목표

• 일조 조건, 기하학적 요소, 척도 변화로 인해 동일한 물질의 스펙트럼 서명이 변동하는 도시 고분해능 분석에서 엔드멤버 변동성 문제를 해결한다.
• 대규모 스펙트럼 라이브러리에서 사용되는 기존의 집합 기반 분석 방법(MESMA)이 요구하는 광범위한 라이브러리 축소로 인한 계산 부담과 히우리스틱적 한계를 극복한다.
• 가우시안 믹스처 모델(GMM)을 사용해 엔드멤버를 확률 분포로 모델링하는 확장 가능한 분포 기반 분석 프레임워크를 개발하여 수동적 라이브러리 정제에 대한 의존도를 감소시킨다.
• 16 m 및 4 m 해상도의 AVIRIS 데이터를 사용해 고해상도 지상 기반 진술을 활용해 여섯 가지 지형 분류에 대해 정확도를 평가한다.
• 전체 스펙트럼 라이브러리를 사용할 때도 GMM 기반 방법이 높은 정확도를 유지함을 입증하며, 집합 기반 방법이 수동으로 정제된 라이브러리가 필요로 하는 것과 대비된다.

제안 방법

• 각 픽셀을 학습된 GMM 파rameter를 통해 스펙트럼 변동성을 반영한 GMM에서 샘플링된 엔드멤버의 선형 조합으로 모델링한다.
• 16 m 및 4 m 해상도의 AVIRIS 영상에서 추출한 대규모 스펙트럼 라이브러리에서 GMM 파rameter(평균, 공분산, 혼합 가중치)를 추정한다.
• 정확도와 계산 비용을 균형 있게 유지하기 위해 교차검증 기반 접근법(T_CVIC)을 사용해 각 엔드멤버 클래스에 대한 최적의 GMM 구성 요소 수를 결정한다.
• 학습된 GMM 분포에서 가장 가능성이 높은 엔드멤버 조합을 계산하여 각 픽셀의 비율을 추정한다.
• 일부 실험에선 공간 사전 정보를 통합했지만, 성능이 일관되지 않아 최종 평가에서는 사용되지 않았다. 이는 성능 향상이 미미했기 때문이다.
• 동일한 스펙트럼 라이브러리와 지상 기반 진술을 사용해 GMM 방법을 집합 기반 방법(MESMA, AAM) 및 기타 분포 기반 방법(NCM, BCM)과 비교한다.

실험 결과

연구 질문

• RQ1 GMM 기반 분석 프레임워크는 수동적 라이브러리 축소 없이 MESMA 수준의 정확도를 달성할 수 있는가?
• RQ2 전체 스펙트럼 라이브러리를 사용할 때, GMM 기반 방법은 16 m와 4 m 해상도에서 어떻게 성능을 발휘하는가?
• RQ3 특정 데이터셋에 맞게 라이브러리 축소를 수행하는 집합 기반 방법과 비교해 GMM 기반 방법은 데이터셋 간에 더 뛰어난 안정성을 보이는가?
• RQ4 GMM로 모델링한 엔드멤버 변동성은 고정된 엔드멤버 모델 대비 비율 추정 정확도에 어떤 영향을 미치는가?
• RQ5 이질적인 도시 환경에서 공간 사전 정보는 GMM 기반 분석 성능에 어떤 영향을 미치는가?

주요 결과

• GMM 기반 분석 방법은 MESMA 수준의 정확도를 달성했으며, 16 m 데이터에선 R² = 0.867, 4 m 데이터에선 R² = 0.923를 기록했다. 이는 이전 연구에서 동일한 데이터셋을 사용해 보고한 결과와 일치한다.
• 16 m 데이터에선 GMM가 R² 측면에서 MESMA를 略로 초월했고, 4 m 데이터에선 약간 열등했지만 여전히 경쟁력 있는 성능를 보였다.
• GMM 방법은 수동적 라이브러리 축소 없이도 높은 정확도를 유지했으며, MESMA는 각각 16 m에선 61개, 4 m에선 95개의 스펙트럼으로 구성된 축소된 라이브러리를 사용했다.
• GMM 방법은 데이터셋 간에 더 뛰어난 안정성을 보였으며, 특정 데이터셋에 맞춘 라이브러리 축소에 의존하지 않아 일반화 능력에 제한이 없었다.
• 공간 사전 정보는 성능 향상에 기여하지 않았다. 이는 픽셀 크기가 상대적으로 크고, 장면의 이질성이 높아 공간 스무쓰니스 가정의 효과가 떨어졌기 때문이다.
• 지상 기반 진술에 AVIRIS와 고해상도 영상 간 정렬 오류가 소량 존재하여 16 m 데이터에 약간의 오차가 증가했을 수 있으나, 향후 작업에서 신중한 이미지 정렬을 통해 이 문제를 완화했다.