Détection de changements et analyse des séries temporelles d’images 1

Dans ce chapitre, nous nous concentrons sur le problème de la détection non supervisée de changements dans les images multitemporelles multispectrales. En particulier, nous examinons et analysons la représentation des changements spectraux-spatiaux pour traiter le problème important de la détection multiclasse de changements. À cette fin, deux approches sont développées, à savoir une analyse morphologique multi-échelles de vecteurs de changements compressés et une détection multi-classes au niveau des superpixels.

Dans ce chapitre, nous considèrerons le problème de la détection de changements dans une série chronologique d'images SAR (radar à synthèse d'ouverture) polarimétriques à l'aide de la représentation en covariance de données SAR polarimétriques multivisées. Les pixels seront alors représentés par des matrices hermitiennes complexes suivant une distribution de Wishart. La chaîne de détection de changements consiste en un test omnibus destiné à tester l'égalité sur la totalité du laps de temps, puis en une factorisation permettant d'évaluer individuellement les dates où un changement a eu lieu. La méthode est aisément étendue à la détection de changements de zones "homogènes", et nous introduisons enfin un concept pour le changement directionnel utilisant la relation d'ordre de Lowner.

Ce chapitre propose un aperçu des méthodologies de comparaisons basées sur les matrices de covariance locale des pixels multivariés. L'étendue de cet aperçu est spécifiée par les conditions suivantes : 1) l'accent est mis sur les méthodologies non supervisées; 2) nous considérons des pixels multivariés, où les canaux peuvent correspondre à une diversité polarimétrique, ou à un autre type de diversité selon le prétraitement. Le principal exemple sera la diversité spectro-angulaire, obtenue par l'intermédiaire de transformées en ondelettes; 3) la matrice de covariance des pavés de pixels locaux sera considérée comme un attribut essentiel pour procéder à des déductions concernant des changements dans les séries chronologiques.

Ce chapitre traite l'extraction d'attributs à partir d'ondelettes et de filtres ConvNet (réseaux de neurones à convolution) pour l'analyse non supervisée de séries chronologiques d'images. Nous exploitons les capacités des ondelettes et des filtres neuro-convolutifs à capturer des propriétés d'invariance non-triviales, ainsi que les nouvelles solutions de centroïdes proposées dans ce chapitre, pour l'analyse d'attributs de hauts niveaux par entropie relative. La détection d'anomalies et le clustering fonctionnel d'évolution sont développés à partir de ce cadre.

Dans ce chapitre, nous abordons l'estimation de l'étendue de la neige humide à l'aide de la méthode de seuillage de rétrodiffusion de Nagler. Nous examinons également certaines autres options intéressantes pour améliorer la détection de neige humide en explorant l'utilisation de métriques de similarité (comme le rapport de corrélation croisée normalisée, la distance de Hausdorff et certaines autres fonctions de distance d'images plus raffinées). Plusieurs distances sont calculées et testées sur une base de données de séries chronologiques d'images Sentinel-1 SAR de différentes tailles au-dessus des Alpes françaises. Le métriques résultantes sont évoquées et comparées à la méthode de Nagler, ainsi qu'à des données indépendantes.

Les contributions apportées dans le chapitre sont les suivantes. Premièrement, nous proposons un modèle statistique associé à un champ aléatoire rose fractionnaire afin de caractériser le mur de l'oeil du cyclone et la rugosité de l'oeil (modélisation de texture). Deuxièmement, nous proposons une méthode d'estimation du paramètre de ce modèle de champ fractionnaire rose et de détection de la position spatiale de l'oeil du cyclone. La détection de l'oeil est effectuée par trame d'image, en recherchant la région présentant le plus petit paramètre fractal sous la contrainte que cette region soit entouré par des régions associées à des paramètres d'intensité fractale maximum (mur de l'oeil). Un suivi de l'oeil est aussi proposé sur la base de la méthode de détection de l'oeil, en se focalisant sur une recherche de fenêtre plus serrée et en détectant la position future de l'oeil. Nous construisons une suite chronologique de paramètres associés à chaque position spatiale géoréférencée et décrivons cette suite comme un processus autorégressif à moyenne mobile et intégration fractionnaire (ARFIMA). Le modèle ARFIMA capture les variations statistiques tant à long terme qu'à court terme du processus aléatoire d'intensité fractale du cyclone. L'ouragan Isaac est utilisé comme étude de cas.

Nous proposons d'exploiter l'interaction entre des points-clés/caractéristiques dans un modèle de graphe pondéré pour développer une nouvelle méthode de suivi de texture afin de traiter la tâche de détection de changements. Dans ce chapitre, nous montrons que les points-clés d'extrema locaux sont susceptibles de capturer les informations radiométriques et contextuelles importantes de l'image. Leur interaction peut être codée par un modèle de graphe basé sur leurs mesures de similarité, qui ne néessitent que des petits patchs de pixels autour des point&-clés. Qui plus est, le graphe construit est capable de caractériser à la fois des informations d'intensité et de géométrie à partir du contenu d'images, donc pertinentes pour le suivi de texture. À cette fin, si un graphe est construit à partir d'une des deux images SAR, le niveau de changement entre celle&-ci peut être mesuré d'après le degré auquel l'information de l'autre image reste conforme à la structure du graphe en question. Cette remarque conduit à notre stratégie proposée de suivi de texture pour la détection de changements.

Les données SAR en bande C de Sentinel-1 et les images multispectrales de Sentinel-2 à courte période de revisite offrent un grand potentiel pour améliorer le suivi en continu d'activités à la surface de la Terre. Le suivi de changements à grande échelle exige une longue période d'observation - plusieurs mois à un an pour caractériser les transformations urbaines - et de fréquentes revisites pour assurer une résolution temporelle adéquate. Le volume de données qui en résulte est donc impressionnant et des données prétraitées, c.à.d. des images étalonnées, corrigées géométriquement, géocodées, sont nécessaires pour rendre le problème abordable en un temps raisonnable. Comparés aux instruments optiques, les capteurs SAR peuvent observer la surface de la Terre dans toutes les conditions météorologiques et peuvent fournir des informations utiles sur les zones urbaines, compte tenu de leur sensibilité aux caractéristiques géométriques des structures urbaines. Les attributs SAR forment le jeu de données pour la première étape de la chaîne de traitement proposée pour la détection multitemporelle de bâtiments. Les caractéristiques complémentaires des images multispectrales Sentinel-2 sur la même zone peuvent alors être exploitées pour estimer l'étendue de la transformation urbaine détectée précédemment par les capteurs SAR.

Dans ce chapitre, nous introduisons deux modèles statistiques pour la description de la distribution des vecteurs de différences spectrales, et nous en tirons des méthodes de détection de changements basées sur une différence d'images. Le chapitre introduit d'abord le modèle standard à deux classes inchangé/changé pour la classification binaire. Lorsqu'on considère les informations de module, le modèle à deux classes peut être décrit par un mélange de distributions Rayleigh-Rice. L'estimation de paramètres de ce mélange est une tâche non triviale car ce modèle est non conventionnel. Par conséquent, une version de l'algorithme espérance-maximisation (EM), qui est adaptée spécifiquement au mélange Rayleigh-Rice, est présentée. Le chapitre propose alors une généralisation du modèle à deux classes inchangé/changé au cas multiclasse.