[論文レビュー] Bayesian Segmentation of Oceanic SAR Images: Application to Oil Spill Detection

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

Oil Spill Detection and Mitigation参考文献 27被引用数 5

ひとこと要約

本稿では、バックプロセス信号密度をモデル化するために有限混合ガンマ分布を用い、局所的均一性を強制するためのマルチレベルロジスティックマルコフ確率場（MRF）事前分布を用いた、海洋SAR画像のベイズ的セグメンテーションアルゴリズムを提案する。この手法は、ループ付き信念伝播を用いたEMアルゴリズムにより滑らかさパラメータを自動推定し、グラフカット手法（α-拡張）を用いて効率的なMAPセグメンテーションを実現しており、実際のERSおよびEnvisatの画像において正確な油膜漏れ検出を達成している。

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.

研究の動機と目的

• 環境監視にとって重要な、海洋SAR画像における暗黒シグネチャ、特に油膜漏れのセグメンテーションの課題に対処すること。
• バックプロセス強度の変動をモデル化するための強固な統計的モデルを統合することで、既存のセグメンテーション・分類パイプラインを改善すること。
• SARデータにおける複雑で多峰性を持つ強度分布に適応可能な、教師ありおよび教師なしのベイズ的セグメンテーションアルゴリズムを開発すること。
• ループ付き信念伝播を用いてMRF滑らかさパラメータを自動推定し、手動チューニングなしでシーンの均一性を向上させること。
• 任意の数のクラスをサポートできるα-拡張グラフカットアルゴリズムを用いて、セグメンテーションフレームワークを拡張し、複数特徴検出の柔軟性を高めること。

提案手法

• 各成分ごとに形状および尺度パラメータを有する有限混合ガンマ分布を用いて、SARバックプロセスのクラス条件付き密度をモデル化する。
• 各画素の欠損データ（成分割り当て）を組み込んだ、新規の期待値最大化（EM）アルゴリズムにより、混合モデルのパラメータ（形状、尺度、混合重み）を推定する。
• 2次近傍を有するマルチレベルロジスティックマルコフ確率場（MLL-MRF）事前分布を適用し、空間的連続性と領域の均一性を強制する。
• モデル証拠を計算するためにループ付き信念伝播（LBP）を用いてMRF滑らかさパラメータを自動的に推定する。代替手法として最小二乗法フィットと符号化法を用いる。
• 任意の数のクラスに対して正確かつ効率的な最適化を可能にするα-拡張グラフカットアルゴリズムを用いて、最大後確信度（MAP）セグメンテーションを実装する。
• 教師ありバージョンでは、ユーザーが油と水の代表領域を手動で選択する訓練ベースのアプローチを採用する。教師なしバージョンでは、反復的パラメータの最適化により、この手順を不要にする。

実験結果

リサーチクエスチョン

• RQ1 有限混合ガンマ分布は、特に油膜漏れと周囲の水の強度分布に対して、多峰性を持つ海洋SARバックプロセスの分布を効果的にモデル化できるか？
• RQ2 MRF事前分布の滑らかさパラメータを、ユーザー入力なしで、セグメンテーションの正確性と空間的整合性のバランスをとるように自動推定できるか？
• RQ3 提案されたベイズ的セグメンテーションフレームワークは、従来のしきい値処理や固定パラメータ法と比較して、油膜漏れ検出の正確性をどの程度向上させるか？
• RQ4 ループ付き信念伝播による証拠計算は、古典的手法（LSF、CD）と比較して、MRF滑らかさパラメータ推定においてどのように優れているか？
• RQ5 α-拡張グラフカットアルゴリズムは、SAR画像セグメンテーションにおいて、任意の数のクラスに対して正確かつ効率的にMAPセグメンテーション問題を解けるか？

主な発見

• 提案されたベイズ的セグメンテーションフレームワークは、実際のERSおよびEnvisatのSAR画像において、油膜漏れの検出に高い正確性を達成しており、セグメンテーション結果は地面真値アノテーションと密接に一致している。
• ガンマ混合モデルの使用により、海洋SARデータの多峰性を持つ強度分布が効果的に捉えられ、レイリー分布やワイブル分布などの単一分布モデルを上回る性能を示した。
• ループ付き信念伝播による滑らかさパラメータ推定は、特にテクスチャの変化が激しい複雑なシーンにおいて、最小二乗法フィットや符号化法と比較して優れたセグメンテーション性能を示した。
• 教師なしアルゴリズムは、ユーザー提供の訓練領域が不要であるにもかかわらず、油膜漏れを正確に検出でき、現実世界の変動に強く適応可能であることが示された。
• α-拡張グラフカットアルゴリズムにより、2クラスを超える場合でも正確かつ効率的なMAPセグメンテーションが可能となり、計算スケーラビリティと正確性が顕著に向上した。
• 欠損データモデリングを組み込んだEMアルゴリズムは、数十イテレーションで信頼性高く収束し、初期パラメータ推定はデータ範囲と等間隔に配置されたガンマ成分から得られた。