Microsoft PowerPoint - ALOS3WorkShopYOKOYA pptx

Size: px

Start display at page:

Download "Microsoft PowerPoint - ALOS3WorkShopYOKOYA pptx"

ことこあいしま
3 years ago
Views:

1 ALOS 2/3 Workshop 2012 空間情報とスペクトル情報を最大活用する光学センサ融合東京大学横矢直人岩崎晃

2 ハイパースペクトルカメラマルチスペクトルデータハイパースペクトルデータ [A. Gometz et al., 1985] 1

3 ALOS 3/HISUI 日本の次世代地球観測衛星 ALOS 3 にはハイパースペクトルカメラマルチスペクトルカメラパンクロマティックカメラ ( ステレオ視 ) が搭載される ALOS 3 ハイパースペクトルカメラ HISUI マルチスペクトルカメラ 3 つの光学カメラには空間分解能とスペクトル分解能にトレードオフが存在する [N. Ohgi et al., 2011] カメラ地上分解能波長帯数 HISUI PRISM 2 ハイパースペクトル 30m 185 マルチスペクトル 5m 4 パンクロマティック ( ステレオ視 ) 0.8m 1 2

4 ハイパースペクトルカメラの問題点ハードウェアの制約から空間分解能が低い地上分解能 :30m 3

5 ハイパースペクトルカメラの問題点地上分解能 :5m 3

6 ハイパースペクトルカメラの問題点地上分解能 :1m Vatican) 3

7 背景ハイパースペクトルセンサ利点 : スペクトルデータが得られる欠点 : 空間分解能が低いマルチスペクトルセンサ利点 : 空間分解能が高い欠点 :4 色しか判らない高空間かつ高スペクトル分解能が欲しいパン + マルチではパンシャープン技術がある 4

8 本研究の目的低空間分解能 HS 画像と高空間分解能 MS 画像を融合し高空間分解能 HS 画像を生成する + 低空間分解能 HS 画像高空間分解能 MS 画像高空間分解能 HS 画像教師無しのミクセル分解を用いてスペクトル歪みの少ない融合データ生成を目指す ( 対象物が何であるかは関知しない ) 5

9 ミクセル Mixed pixel ( rocks + soil ) Pure pixel ( water ) Mixed pixel ( vegetation + soil ) 6

10 ミクセル分解ミクセル端成分水 mixing 草 m 土線形スペクトル混合モデル観測スペクトル unmixing ミクセル分解水草土端成分スペクトル 20% 50% 30% 含有率観測スペクトルを端成分スペクトルとその含有率に分解することをミクセル分解と呼ぶ 7

11 ミクセル分解ミクセル分解を画像全体に適用する場合撮像範囲に含まれる端成分スペクトルとその含有率分布図を求める問題になる HS 画像水 100% Unmixing 草土 0% 端成分スペクトル含有率分布図 8

12 ミクセル分解ミクセル分解を画像全体に適用する場合撮像範囲に含まれる端成分スペクトルとその含有率分布図を求める問題になる HS 画像水 100% Unmixing 草 0% MS 画像 (5m 空間分解能 ) には空間分布の手がかりがある土端成分スペクトル含有率分布図 8

13 連成非負値行列分解 Coupled non negative matrix factorization (CNMF) HS 画像ミクセル分解 MS 画像端成分スペクトル含有率分布図ミクセル分解 N. Yokoya et al., IEEE TGRS, N. Yokoya et al., IEEE JSTARS,

14 連成非負値行列分解 Coupled non negative matrix factorization (CNMF) HS 画像ミクセル分解 MS 画像拘束条件 : 装置関数の関係性ミクセル分解 N. Yokoya et al., IEEE TGRS, N. Yokoya et al., IEEE JSTARS,

15 連成非負値行列分解 Coupled non negative matrix factorization (CNMF) HS 画像ミクセル分解高空間分解能 HS 画像 MS 画像端成分スペクトル含有率分布図ミクセル分解 N. Yokoya et al., IEEE TGRS, N. Yokoya et al., IEEE JSTARS,

16 データと評価方法シミュレーションデータ CASI 3:1 m 空間分解能 68 観測波長 ( nm) 元野幌 (2008) (Provided by JSpaceSystems) 空間方向と波長方向にダウンサンプリングして HS 画像 (30 m 空間分解能 68 観測波長 ) MS 画像 (5 m 空間分解能 4 観測波長 ) を作成 ( 装置関数は確定済みと仮定 ) 参照データ =5 m 空間分解能の HS 画像 N. Yokoya et al., IEEE JSTARS, 評価方法パンシャープン手法 (Smoothing Filtered Intensity Modulation: SFIM) と比較空間性能 :Peak Signal to Noise Ratio (PSNR) 大きいほど良い波長性能 :Spectral Angle Error (SAE) 小さいほど良い 10

17 どれだけ元の空間分布を再現できるか? 融合データの PSNR を比較 HS Actual どれだけ元の画像を再現できたか SFIM SFIM Actual CNMF CNMF Actual 全波長帯を高精度に推定参照画像との差分 ( 同レベルに画像強調 ) (R,G,B)=(462,560,667)nm 11

18 どれだけ元のスペクトルを再現できるか? スペクトル歪みのヒストグラムスペクトル歪みの分布図 CNMF SFIM スペクトル歪みが小さい 12

19 高度分類に使えるのか? センサ融合画像が牧草の品種分類に与えるインパクトを調べる Orchard Grass (OG) Reed Canary Grass (RCG) Kentuchky Bluegrass (KB) Sweet Vernal Grass (SVG) Elytrigia Repens (ER) (Provided by JSpaceSystems) 13

20 分類結果融合画像は品種分類に必要なスペクトル性能を有するハイパースペクトル : 46.7% マルチスペクトル : 51.1% 融合画像 : 64.4% 元画像 : 66.7% N. Yokoya et al., Proc. IEEE IGARSS,

21 まとめ Hyper-Multispectral データ融合は新しい世界を開く教師無しのミクセル分解に基づく手法を提案スペクトル歪みが小さい高度な品種分類に有効 ALOS-3が最初の実証機会となる ALOS 3のキラーアプリケーションに! tokyo.ac.jp 15

22 さらなる発展に向けてパンクロ画像との融合 0.8m の空間分解能情報を加味 N. Yokoya et al., Proc. IEEE WHISPERS, 非線形スペクトル混合モデルによる拡張スペクトル混合の非線形を考慮することでさらなる精度向上 N. Yokoya et al., Proc. IEEE WHISPERS,

23 参考文献 Journal paper N. Yokoya, N. Mayumi, and A. Iwasaki, Cross calibration for data fusion of EO 1/Hyperion and Terra/ASTER, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 相対的装置関数の推定手法を提案 N. Yokoya, T. Yairi, and A. Iwasaki, Coupled nonnegative matrix factorization unmixing for hyperspectral and multispectral data fusion, IEEE Transactions on Geoscience and Remote Sensing, ミクセル分解に基づく光学センサ融合手法を提案 Conference paper N. Yokoya, J. Chanussot, and A. Iwasaki, Coupled non negative matrix factorization for hyperspectral and multispectral data fusion: application for pasture classification, Proc. WHISPERS, Shanghi, China, Jun. 5 7, 非線形スペクトル混合を考慮した融合手法を提案 N. Yokoya, T. Yairi, and A. Iwasaki, Coupled non negative matrix factorization for hyperspectral and multispectral data fusion: application for pasture classification, Proc. IGARSS, Vancuber, Canada, Jul , 融合画像のスペクトル精度が牧草分類に有効であることを実証 N. Yokoya, T. Yairi, and A. Iwasaki, Hyperspectral, multispectral, and panchromatic data fusion based on non negative matrix factorization, Proc. WHISPERS, Lisbon, Portugal, Jun. 6 9, CNMFの枠組みでパンクロ画像も融合する手法を提案 17

スライド 1

スライド 1 セッション 1: リモートセンシングの利用と展開北海道衛星大樹搭載用ハイパースペクトルセンサの研究開発超小型衛星利用開拓北海道ワークショップ 2010 年 8 月 24 日青柳賢英北海道工業大学大学院北海道の宇宙産業活性化を目指して北海道衛星大樹とは北海道の宇宙産業活性化重量 50kg の超小型地球観測衛星ユーザーニーズに応える性能を持った超小型衛星ミッション北海道衛星