[论文解读] Fast Hyperspectral Unmixing in Presence of Nonlinearity or Mismodelling Effects

Abderrahim Halimi, José M. Bioucas‐Dias+3 more|arXiv (Cornell University)|Jul 18, 2016

Remote-Sensing Image Classification参考文献 40被引用 4

一句话总结

本文提出了两种新颖的高光谱解混模型——非线性（NL）与失配建模效应（ME）——通过引入加性残差项，扩展了线性混合模型，以处理多重散射及光谱可变性/异常值问题。采用ADMM的凸优化方法，联合估计端元丰度与稀疏、平滑的残差项，实现了快速、鲁朗的解混，且在准确率与计算效率方面达到当前最优水平。

ABSTRACT

This paper presents two novel hyperspectral mixture models and associated unmixing algorithms. The two models assume a linear mixing model corrupted by an additive term whose expression can be adapted to account for multiple scattering nonlinearities (NL), or mismodelling effects (ME). The NL model generalizes bilinear models by taking into account higher order interaction terms. The ME model accounts for different effects such as endmember variability or the presence of outliers. The abundance and residual parameters of these models are estimated by considering a convex formulation suitable for fast estimation algorithms. This formulation accounts for constraints such as the sum-to-one and non-negativity of the abundances, the non-negativity of the nonlinearity coefficients, the spectral smoothness of the ME terms and the spatial sparseness of the residuals. The resulting convex problem is solved using the alternating direction method of multipliers (ADMM) whose convergence is ensured theoretically. The proposed mixture models and their unmixing algorithms are validated on both synthetic and real images showing competitive results regarding the quality of the inference and the computational complexity when compared to the state-of-the-art algorithms.

研究动机与目标

• 解决线性混合模型在高光谱解混中因多重散射、端元可变性及稀疏异常值导致的局限性。
• 构建统一框架，通过加性残差分量建模非线性和失配建模效应。
• 通过将问题表述为凸优化问题，确保计算效率与收敛性保证。
• 通过残差项的稀疏性与光谱平滑性约束，增强物理合理性。
• 利用ADMM实现快速、可扩展的解混，并提供理论收敛保证。

提出的方法

• 通过高阶交互基（如三阶项）建模非线性，并利用ℓ1-范数正则化对非线性系数施加稀疏性约束。
• 通过光谱平滑的残差项建模失配建模效应（如端元可变性），表示为字典（如DCT或样条）上的稀疏线性组合。
• 将解混问题表述为带约束的凸优化问题：端元丰度满足和为1及非负性约束，非线性系数非负，失配建模项具有光谱平滑性，残差项具有空间稀疏性。
• 使用交替方向乘子法（ADMM）求解凸问题，确保理论收敛性。
• 在像素间应用协同稀疏回归，以促进残差项的空间稀疏性。
• 通过闭式更新求解子问题：ℓ1项采用软阈值法，ℓ2,1项采用组软阈值法，非负性与和为1约束采用投影法。

实验结果

研究问题

• RQ1 在超越双线性模型的多重散射效应下，如何改进高光谱解混？
• RQ2 是否能通过单一框架有效同时处理非线性和端元可变性或异常值？
• RQ3 何种凸优化形式能实现在真实约束下的快速、稳定且收敛的解混？
• RQ4 与现有模型相比，高阶交互项与稀疏表示的使用如何提升解混精度？
• RQ5 协同稀疏结构在多大程度上增强了对稀疏异常值与光谱可变性的鲁棒性？

主要发现

• 所提出的NL模型通过引入更高阶交互项，推广了双线性模型，能够更优地表征多重散射效应。
• ME模型通过将残差建模为字典上的光谱平滑且稀疏的组合，有效捕捉了端元可变性与异常值。
• 基于ADMM的算法全局收敛且计算高效，其计算复杂度适合真实世界高光谱数据。
• 在合成与真实数据集上，该方法的解混精度与当前最优算法相当或更优，且计算成本显著降低。
• 像素间协同稀疏结构的引入提升了对稀疏异常值的鲁棒性，并增强了估计丰度的空间一致性。
• 得益于ℓ1与ℓ2,1正则化，该方法在交互项数量增加时（例如R=10, K=5时达2992项）仍表现出强大性能。