[论文解读] An automatic bad band preremoval algorithm for hyperspectral imagery

Luyan Ji, Xiurui Geng+2 more|arXiv (Cornell University)|Oct 19, 2016

Remote-Sensing Image Classification参考文献 25被引用 4

一句话总结

本文提出一种基于匹配滤波器（MF）系数向量作为目标检测中波段重要性代理的高光谱图像自动坏波段去除算法。通过分析多个目标的MF权重绝对值，该方法可识别并去除信噪比低的波段——尤其是水汽吸收波段——而无需人工检查，在三个基准数据集上实现了稳定且准确的目标检测。

ABSTRACT

For most hyperspectral remote sensing applications, removing bad bands, such as water absorption bands, is a required preprocessing step. Currently, the commonly applied method is by visual inspection, which is very time-consuming and it is easy to overlook some noisy bands. In this study, we find an inherent connection between target detection algorithms and the corrupted band removal. As an example, for the matched filter (MF), which is the most widely used target detection method for hyperspectral data, we present an automatic MF-based algorithm for bad band identification. The MF detector is a filter vector, and the resulting filter output is the sum of all bands weighted by the MF coefficients. Therefore, we can identify bad bands only by using the MF filter vector itself, the absolute value of whose entry accounts for the importance of each band for the target detection. For a specific target of interest, the bands with small MF weights correspond to the noisy or bad ones. Based on this fact, we develop an automatic bad band preremoval algorithm by utilizing the average absolute value of MF weights for multiple targets within a scene. Experiments with three well known hyperspectral datasets show that our method can always identify the water absorption and other low signal-to-noise (SNR) bands that are usually chosen as bad bands manually.

研究动机与目标

• 解决高光谱数据预处理中手动坏波段去除的低效与主观性问题。
• 减少对耗时的视觉检查以识别噪声或损坏波段的依赖。
• 利用目标检测算法自动识别低质量光谱波段。
• 开发一种稳健、数据驱动的方法，适用于多种高光谱数据集，且无需预先知晓坏波段位置。
• 通过仅使用高质量波段来提升下游高光谱分析的性能。

提出的方法

• 采用匹配滤波器（MF）作为检测框架，其中MF滤波器向量编码了每个光谱波段对目标检测的贡献。
• 提取每个目标的MF系数绝对值，表示每个波段在检测该目标时的相对重要性。
• 计算场景内多个目标的平均绝对MF权重，以识别持续贡献较低的波段。
• 将平均绝对MF权重低于动态确定阈值的波段定义为坏波段，表明其信噪比较差。
• 将该算法应用于真实高光谱数据集，以验证其检测已知问题波段（如水汽吸收波段）的能力。
• 利用光谱响应特征和已知吸收特征作为真实标签，评估所识别坏波段的正确性。

实验结果

研究问题

• RQ1 匹配滤波器的系数向量能否用于自动识别高光谱图像中的低信噪比波段？
• RQ2 在多个目标上计算的平均绝对MF权重在检测已知坏波段（如水汽吸收波段）方面有多高效？
• RQ3 与人工检查相比，该方法在准确性、一致性和计算效率方面是否表现更优？
• RQ4 该算法是否可在无需微调或重新训练的情况下泛化至不同高光谱数据集？
• RQ5 在去除坏波段后，该方法在多大程度上保持了目标检测性能？

主要发现

• 所提方法在所有三个基准高光谱数据集中成功识别出水汽吸收波段及其他低信噪比波段。
• 该算法检测坏波段具有高度一致性，避免了人工检查带来的主观性与遗漏风险。
• 在多个目标上使用平均绝对MF权重显著提升了识别对目标检测贡献微小波段的鲁棒性。
• 该方法在无需预先知晓波段位置或人工标注的情况下，实现了准确的坏波段识别。
• 实验结果证实，该算法能可靠地分离出光谱质量差的波段，尤其在强大气吸收区域表现突出。
• 该方法在多样化场景中表现出色，表明其具备向真实世界高光谱应用推广的潜力。