[论文解读] Statistical Estimation and Clustering of Group-invariant Orientation Parameters

Yu‐Hui Chen, Dennis Wei+4 more|arXiv (Cornell University)|Mar 15, 2015

Bayesian Methods and Mixture Models参考文献 17被引用 6

一句话总结

本文提出了一种双曲型冯·米塞斯-费舍尔（VMF）分布与 $γ$-不变沃森混合模型，用于在球面上估计群不变的取向参数，采用改进的EM-ML算法对多模态数据进行聚类。该方法在多晶材料中显著提升了平均取向估计与聚类精度，尤其在具有立方对称性的镍基高温合金中表现优于K均值和标准估计器，适用于EBSD数据。

ABSTRACT

We treat the problem of estimation of orientation parameters whose values are invariant to transformations from a spherical symmetry group. Previous work has shown that any such group-invariant distribution must satisfy a restricted finite mixture representation, which allows the orientation parameter to be estimated using an Expectation Maximization (EM) maximum likelihood (ML) estimation algorithm. In this paper, we introduce two parametric models for this spherical symmetry group estimation problem: 1) the hyperbolic Von Mises Fisher (VMF) mixture distribution and 2) the Watson mixture distribution. We also introduce a new EM-ML algorithm for clustering samples that come from mixtures of group-invariant distributions with different parameters. We apply the models to the problem of mean crystal orientation estimation under the spherically symmetric group associated with the crystal form, e.g., cubic or octahedral or hexahedral. Simulations and experiments establish the advantages of the extended EM-VMF and EM-Watson estimators for data acquired by Electron Backscatter Diffraction (EBSD) microscopy of a polycrystalline Nickel alloy sample.

研究动机与目标

• 解决在球面对称群（如立方对称 $m\overline{3}m$）下估计多晶材料中平均晶体取向的挑战。
• 开发新型参数化模型——双曲型VMF与 $\mathcal{G}$-不变沃森分布，尊重群不变性并实现高效的参数估计。
• 将EM-ML框架扩展至建模群不变分布的混合形式，以聚类多模态分布的取向数据。
• 在真实电子背散射衍射（EBSD）数据上验证所提估计器的性能，来自IN100镍基高温合金，证明其优于现有方法。
• 将广义似然比检验（GLRT）与EM算法结合，用于检测取向数据中的多模态性，并指导子区域聚类。

提出的方法

• 提出群不变VMF分布的双曲表示，使计算成本相比原始EM-VMF算法降低两倍。
• 提出 $\mathcal{G}$-不变沃森分布作为新型群不变模型，通过均值方向与集中度参数化，适用于球面对称群。
• 开发EM-ML算法——EM-VMF与EM-Watson，用于群不变分布中均值与集中度参数的最大似然估计。
• 将模型扩展为有限混合形式：mGIV（$\mathcal{G}$-不变VMF混合）与mGIW（$\mathcal{G}$-不变沃森混合），用于聚类多模态取向数据。
• 将GLRT与EM算法结合，检测取向聚类中的多模态性，显著性水平设定为 $\alpha = 0.05$，$C=2$ 用于检验是否偏离单模态分布。
• 将该框架应用于多晶镍基高温合金（IN100）的EBSD数据，通过空间分割与迭代优化，分别估计各子区域的平均取向与集中度参数。

实验结果

研究问题

• RQ1 VMF分布的双曲参数化是否能在保持群不变取向参数估计精度的同时，降低计算复杂度？
• RQ2 所提出的 $\mathcal{G}$-不变沃森分布是否在捕捉球面对称群中的取向集中度与均值方面，比VMF更有效？
• RQ3 $\mathcal{G}$-不变分布的混合模型（mGIV与mGIW）是否能有效识别并聚类多晶材料中多模态的取向分布？
• RQ4 与K均值或OEM软件等标准方法相比，EM-VMF与EM-Watson估计器在真实EBSD数据上的平均取向与集中度估计性能如何？
• RQ5 与EM算法结合的GLRT是否能可靠检测取向数据中的多模态性，特别是在存在对称性引起的模糊性或噪声的区域？

主要发现

• 双曲型VMF表示使计算时间相比原始EM-VMF算法减少两倍，显著提升了参数估计速度。
• EM-VMF与EM-Watson估计器在模拟数据与IN100镍基高温合金的真实EBSD数据上，均显著优于标准方法，获得更精确的平均取向估计。
• mGIV与mGIW混合模型成功识别并聚类了多模态分布的取向区域，在检测复杂晶粒结构方面优于K均值算法。
• 通过GLRT以 $\alpha = 0.05$ 检测到多模态分布区域，各子区域分别估计，结果各聚类的集中度参数 ($\kappa$) 值较高，表明取向在角度上高度集中。
• 在IN100样品中，EM-VMF与EM-Watson估计器通过检测并估计单个晶粒或子区域内的多个模式，成功解析了不均匀的IPF着色（可能由对称性模糊性引起）。
• 大多数子区域的估计集中度参数 ($\kappa$) 较高，证实了取向围绕估计均值方向的高度集中性，尤其在子区域迭代优化后更为明显。