A distribution-dependent Mumford-Shah model for unsupervised hyperspectral image segmentation

要約

ハイパースペクトル画像は、各ピクセルの基礎となるスペクトルの豊富な表現を提供し、異なるクラスへのピクセル単位の分類/セグメンテーションを可能にします。
ラベル付けされたトレーニング データの取得には非常に時間がかかるため、ハイパースペクトル画像解析では教師なし手法が重要になります。
ハイパースペクトル データのスペクトル変動とノイズにより、このタスクは非常に難しくなり、そのような方法の特別な要件が定義されます。
ここでは、新しい教師なしハイパースペクトル セグメンテーション フレームワークを紹介します。
これは、確立された最小ノイズ分数 (MNF) 変換によるノイズ除去と次元削減のステップから始まります。
次に、Mumford-Shah (MS) セグメンテーション汎関数を適用してデータをセグメント化します。
ハイパースペクトルデータの特徴的な課題を処理するように設計された、新しい堅牢な分布依存インジケーター関数を MS ファンクショナルに装備しました。
閉形式解が利用できないパラメータに関して目的関数を最適化するために、効率的な固定小数点反復スキームを提案します。
4 つの公開ベンチマーク データセットでの数値実験では、これらのデータセットのうち 3 つのデータセットで 3 つの最先端の方法を大幅に上回る、競合する結果が得られることがわかりました。

要約(オリジナル)

Hyperspectral images provide a rich representation of the underlying spectrum for each pixel, allowing for a pixel-wise classification/segmentation into different classes. As the acquisition of labeled training data is very time-consuming, unsupervised methods become crucial in hyperspectral image analysis. The spectral variability and noise in hyperspectral data make this task very challenging and define special requirements for such methods. Here, we present a novel unsupervised hyperspectral segmentation framework. It starts with a denoising and dimensionality reduction step by the well-established Minimum Noise Fraction (MNF) transform. Then, the Mumford-Shah (MS) segmentation functional is applied to segment the data. We equipped the MS functional with a novel robust distribution-dependent indicator function designed to handle the characteristic challenges of hyperspectral data. To optimize our objective function with respect to the parameters for which no closed form solution is available, we propose an efficient fixed point iteration scheme. Numerical experiments on four public benchmark datasets show that our method produces competitive results, which outperform three state-of-the-art methods substantially on three of these datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google