[论文解读] Unmixing urban hyperspectral imagery with a Gaussian mixture model on endmember variability

Yuan Zhou, Erin B. Wetherley+1 more|arXiv (Cornell University)|Jan 25, 2018

Urban Heat Island Mitigation参考文献 5被引用 3

一句话总结

该论文提出了一种基于高斯混合模型（GMM）的光谱解混方法，用于建模城市高光谱影像中的端元可变性，从而在无需手动缩减光谱库的情况下实现精确的组分估算。该方法在大型光谱库下达到与MESMA相当的精度，且由于其可扩展的基于分布的公式，跨数据集更具鲁棒性。

ABSTRACT

In this paper, we model a pixel as a linear combination of endmembers sampled from probability distributions of Gaussian mixture models (GMM). The parameters of the GMM distributions are estimated using spectral libraries. Abundances are estimated based on the distribution parameters. The advantage of this algorithm is that the model size grows very slowly as a function of the library size. To validate this method, we used data collected by the AVIRIS sensor over the Santa Barbara region: two 16 m spatial resolution and two 4 m spatial resolution images. 64 validated regions of interest (ROI) (180 m by 180 m) were used to assess estimate accuracy. Ground truth was obtained using 1 m images leading to the following 6 classes: turfgrass, non-photosynthetic vegetation (NPV), paved, roof, soil, and tree. Spectral libraries were built by manually identifying and extracting pure spectra from both resolution images, resulting in 3,287 spectra at 16 m and 15,426 spectra at 4 m. We then unmixed ROIs of each resolution using the following unmixing algorithms: the set-based algorithms MESMA and AAM, and the distribution-based algorithms GMM, NCM, and BCM. The original libraries were used for the distribution-based algorithms whereas set-based methods required a sophisticated reduction method, resulting in reduced libraries of 61 spectra at 16 m and 95 spectra at 4 m. The results show that GMM performs best among the distribution-based methods, producing comparable accuracy to MESMA, and may be more robust across datasets.

研究动机与目标

• 解决城市高光谱解混中端元可变性的挑战，其中相同材料的光谱特征因光照、几何和尺度等因素而变化。
• 克服传统基于集合的解混方法（如MESMA）的计算负担和启发式局限性，这些方法在大型光谱库下需要大量光谱库缩减。
• 开发一种可扩展的、基于分布的解混框架，通过高斯混合模型（GMM）将端元建模为概率分布，从而减少对人工光谱库整理的依赖。
• 在AVIRIS数据上对16米和4米空间分辨率进行验证，利用高分辨率地面真值评估六类地表覆盖的精度。
• 证明GMM方法在使用完整光谱库时仍能保持高精度，而基于集合的方法则需要经过人工筛选的缩减光谱库。

提出的方法

• 将每个像素建模为从高斯混合模型（GMM）中采样的端元的线性组合，其中通过学习的GMM参数捕捉端元光谱可变性。
• 从16米和4米分辨率的AVIRIS图像中提取的大规模光谱库中估计GMM参数（均值、协方差、混合权重）。
• 采用基于交叉验证的方法（T_CVIC）确定每个端元类别的最优GMM分量数量，以在精度和计算成本之间取得平衡。
• 通过计算从学习到的GMM分布中获得的最可能的端元组合，将GMM框架应用于每个像素的组分估算。
• 在部分实验中引入空间先验，但其性能表现不一致，最终因改进效果微弱而未在最终评估中使用。
• 使用相同的光谱库和地面真值，将GMM方法与基于集合的方法（MESMA、AAM）及其他基于分布的方法（NCM、BCM）进行比较。

实验结果

研究问题

• RQ1 基于GMM的解混框架是否能在避免手动光谱库缩减的前提下，实现与MESMA相当的解混精度？
• RQ2 在使用完整光谱库时，基于GMM的方法在16米与4米空间分辨率下的表现如何？
• RQ3 与依赖针对特定数据集进行光谱库缩减的基于集合的方法相比，基于GMM的方法是否在跨数据集上更具鲁棒性？
• RQ4 通过GMM建模的端元可变性，与固定端元模型相比，对组分估算精度有何影响？
• RQ5 在异质性城市场景中，空间先验对基于GMM的解混性能有何影响？

主要发现

• 基于GMM的解混方法在精度上与MESMA相当，16米数据的R²为0.867，4米数据的R²为0.923，与先前使用相同数据集的研究结果一致。
• 对于16米数据，GMM在R²上略优于MESMA；而对于4米数据，性能略逊于MESMA，但仍具有高度竞争力。
• GMM方法在无需任何手动光谱库缩减的情况下保持了高精度，而MESMA则依赖于通过人工引导选择的缩减光谱库（16米为61个，4米为95个）。
• GMM方法在跨数据集上表现出更强的鲁棒性，因为它不依赖于特定数据集的光谱库缩减，从而避免了泛化能力受限的问题。
• 空间先验未显著提升性能，可能是因为像素尺寸相对较大（16米和4米）以及场景异质性较强，降低了空间平滑性假设的有效性。
• 数据集的地面真值因AVIRIS与高分辨率影像之间存在轻微的错位而包含少量误差，这可能对16米数据的误差略高有所贡献，但已在后续工作中通过仔细的图像配准得到缓解。