[论文解读] Collaborative sparse regression using spatially correlated supports - Application to hyperspectral unmixing

Yoann Altmann, Marcelo Pereyra+1 more|arXiv (Cornell University)|Sep 29, 2014

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

一句话总结

该论文提出了一种贝叶斯协作稀疏回归方法用于高光谱解混，通过截断的多元伊辛马尔可夫随机场（MRF）对丰度向量的时空相关支持进行建模，从而实现像素级材料存在/缺失模式的精确检测。该方法采用自适应MCMC算法，自动调节MRF参数，减少对交叉验证的依赖，并在包含最多25种端元的合成与真实数据上提升了解混精度。

ABSTRACT

This paper presents a new Bayesian collaborative sparse regression method for linear unmixing of hyperspectral images. Our contribution is twofold; first, we propose a new Bayesian model for structured sparse regression in which the supports of the sparse abundance vectors are a priori spatially correlated across pixels (i.e., materials are spatially organised rather than randomly distributed at a pixel level). This prior information is encoded in the model through a truncated multivariate Ising Markov random field, which also takes into consideration the facts that pixels cannot be empty (i.e, there is at least one material present in each pixel), and that different materials may exhibit different degrees of spatial regularity. Secondly, we propose an advanced Markov chain Monte Carlo algorithm to estimate the posterior probabilities that materials are present or absent in each pixel, and, conditionally to the maximum marginal a posteriori configuration of the support, compute the MMSE estimates of the abundance vectors. A remarkable property of this algorithm is that it self-adjusts the values of the parameters of the Markov random field, thus relieving practitioners from setting regularisation parameters by cross-validation. The performance of the proposed methodology is finally demonstrated through a series of experiments with synthetic and real data and comparisons with other algorithms from the literature.

研究动机与目标

• 为解决在高光谱解混中准确估计稀疏丰度向量的挑战，通过在像素间引入材料存在/缺失模式的空间相关性来实现。
• 克服仅估计联合支持的全局协作方法的局限性，通过建模丰度向量支持的局部空间结构来实现。
• 构建一个贝叶斯框架，通过截断的多元伊辛MRF编码空间规则性和非空像素约束。
• 设计一种MCMC推理算法，自动调节MRF参数，消除正则化调参中对交叉验证的需求。
• 在合成与真实高光谱数据集上，与最先进方法相比，展示出改进的解混性能。

提出的方法

• 使用截断的多元伊辛马尔可夫随机场对丰度向量的支持进行建模，以编码材料存在/缺失模式的空间相关性。
• 通过截断MRF先验，确保每个像素中至少存在一种材料，从而引入非空像素约束。
• 对丰度向量和噪声使用共轭先验，实现条件后验的闭式表达，提升MCMC采样的效率。
• 采用吉布斯内梅特罗波利斯MCMC算法，估计每个像素上材料存在/缺失的后验概率。
• 在最大后验边际支持配置下，计算丰度向量的MMSE估计。
• 在MCMC采样过程中自适应调节MRF正则化强度，消除手动交叉验证的需要。

实验结果

研究问题

• RQ1 与仅利用全局协作的方法相比，对丰度向量支持建模空间相关性是否能提升高光谱解混的精度？
• RQ2 如何在贝叶斯稀疏回归模型中有效编码非空像素约束以及不同材料间空间规则性的差异？
• RQ3 自适应MCMC算法是否能无需交叉验证即自动调节MRF参数，从而减轻使用者负担？
• RQ4 所提出方法在合成与真实高光谱数据上，相较于现有协作稀疏回归技术，性能提升程度如何？
• RQ5 在材料间光谱相似性较高的场景下，该方法表现如何？此时仅依赖稀疏性已不足以保证准确解混。

主要发现

• 与最先进协作稀疏回归方法相比，所提方法在合成数据上实现了更优的解混精度，尤其在解析具有空间结构的材料分布方面表现突出。
• 自适应MCMC算法成功实现了MRF正则化参数的自动调节，消除了对交叉验证的依赖，提升了鲁棒性。
• 该方法有效捕捉了空间相关的支持结构，减少了材料检测中的误报，提升了支持估计的准确性。
• 在真实高光谱数据上，该方法在丰度估计和端元检测方面表现更优，尤其在具有复杂空间模式的高分辨率场景中优势明显。
• 计算复杂度限制了其在超过25种端元的库中的直接应用，但可通过MUSIC-CSR预处理对库进行剪枝，从而提升性能。
• 该方法优于现有通过正则化丰度值或非线性效应来改进的方法，因其显式建模了支持之间的相关性，而非丰度值本身。