Publicado

2018-01-01

Evaluation of spectral similarity indices in unsupervised change detection approaches

Evaluación de índices de similitud espectral en esquemas de detección de cambios no supervisados

DOI:

https://doi.org/10.15446/dyna.v85n204.68355

Palabras clave:

change detection, spectral indices, remote sensing, accuracy assessment (en)
detección de cambios, índices espectrales, teledetección, evaluación de precisión (es)

Descargas

Autores/as

Unsupervised change detection (UCD) is a subject of Remote Sensing whose objective is to detect the differences between two multi-temporal images. In some cases, spectral similarity indices have been used as the comparison block in algorithms of UCD. The aim of this paper is to show in a quantitative way the performance of four spectral similarity indices in the correct identification of changes. Comparison is performed in terms of precision (overall accuracy and kappa index) over medium and high-resolution images (SPOT-5: Satellite Pour l'Observation de la Terre and Quickbird), with a reference obtained through a post-classification method (based on Support Vector Machines, SVM). The results show dependence on the automatic thresholding technique, as well as on the classes associated with the change.
La detección de cambios de forma no-supervisada (UCD) es un área de teledetección, cuyo objetivo consiste en encontrar las diferencias entre dos imágenes multi-temporales. En algunos casos, los índices de similitud espectral son utilizados como bloque de comparación de UCD. El objetivo de este documento consiste en analizar de forma cuantitativa el desempeño de cuatro índices de similitud espectral en la correcta identificación de cambios. La evaluación se realiza en términos de la precisión (mediante la precisión global e índice kappa) utilizando imágenes de media y alta resolución (SPOT-5: Satélite Para la Observación de la Tierra y Quickbird), así como una imagen de cambio de referencia obtenida a través de un método de post-clasificación (basado en Máquinas de Soporte Vectorial, SVM). Los resultados obtenidos presentan dependencia con la técnica automática de umbralización, así como con las clases asociadas con el cambio.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Gong, M., Zhan, T., Zhang, P. and Miao, Q., Superpixel-based difference representation learning for change detection in multispectral remote sensing images. IEEE Transactions on Geoscience and Remote Sensing, 55(5), pp. 2658-2673, 2017. DOI: 10.1109/TGRS.2017.2650198

Leichtle, T., Geiß, C., Wurm, M., Lakes, T. and Taubenböck, H., Unsupervised change detection in VHR remote sensing imagery–an object-based clustering approach in a dynamic urban environment. International Journal of Applied Earth Observation and Geoinformation, 54, pp. 15-27, 2017. DOI: 10.1016/j.jag.2016.08.010

Tewkesbury, A.P., Comber, A.J., Tate, N.J., Lamb, A. and Fisher, P.F., A critical synthesis of remotely sensed optical image change detection techniques. Remote Sensing of Environment, 160, pp. 1-14, 2015. DOI: 10.1016/j.rse.2015.01.006

Hussain, M., Chen, D., Cheng, A., Wei, H. and Stanley, D., Change detection from remotely sensed images: From pixel-based to object-based approaches. ISPRS Journal of Photogrammetry and Remote Sensing, 80, pp. 91-106, 2013. DOI: 10.1016/j.isprsjprs.2013.03.006

Wu, C., Du, B., Cui, X. and Zhang, L., A post-classification change detection method based on iterative slow feature analysis and Bayesian soft fusion. Remote Sensing of Environment, 199, pp. 241-255, 2017. DOI: 10.1016/j.rse.2017.07.009

Melgani, F., Moser, G. and Serpico, S.B., Unsupervised change-detection methods for remote-sensing images. Optical Engineering, 41(12), pp. 3288-3297, 2002. DOI: 10.1117/1.1518995

Renza, D., Martinez, E., Molina, I. and Ballesteros-L., D.M., Unsupervised change detection in a particular vegetation land cover type using spectral angle mapper. Advances in Space Research, 59(8), pp. 2019-2031, 2017. DOI: 10.1016/j.asr.2017.01.027

Coulter, L.L., Hope, A.S., Stow, D.A., Lippitt, C.D. and Lathrop, S.J., Time–space radiometric normalization of TM/ETM+ images for land cover change detection. International Journal of Remote Sensing, 32(22), pp. 7539-7556, 2011. DOI: 10.1080/01431161.2010.524676

Martínez, M., Martínez, M.E., Martínez, E. and Renza, D., Detection of changes in natural aquifer reservoirs based on the index of drought. IEEE Latin America Transactions, 15(11), pp. 2059-2053, 2017. DOI: 10.1109/TLA.2017.8070408

Renza, D., Martinez, E. and Arquero, A., A new approach to change detection in multispectral images by means of ERGAS index. IEEE Geoscience and Remote Sensing Letters, 10(1), pp. 76-80, 2013.DOI: 10.1109/LGRS.2012.2193372

Gong, M., Zhou, Z. and Ma, J., Change detection in synthetic aperture radar images based on image fusion and fuzzy clustering. IEEE Transactions on Image Processing, 21(4), pp. 2141-2151, 2012. DOI: 10.1109/TIP.2011.2170702

Carvalho-Júnior, O.A., Guimarães, R.F., Gillespie, A.R., Silva, N.C., and Gomes, R.A., A new approach to change vector analysis using distance and similarity measures. Remote Sensing, 3(11), pp. 2473-2493, 2011. DOI: 10.3390/rs3112473

Bovolo, F., Marchesi, S. and Bruzzone, L., A framework for automatic and unsupervised detection of multiple changes in multitemporal images. IEEE Transactions on Geoscience and Remote Sensing, 50(6), pp. 2196-2212, 2012. DOI: 10.1109/TGRS.2011.2171493

Romero, A., Gatta, C. and Camps-Valls, G., Unsupervised deep feature extraction for remote sensing image classification. IEEE Transactions on Geoscience and Remote Sensing, 54(3), pp. 1349-1362, 2016. DOI: 10.1109/TGRS.2015.2478379

Nogueira, K., Penatti, O.A. and dos Santos, J.A., Towards better exploiting convolutional neural networks for remote sensing scene classification. Pattern Recognition, 61, pp. 539-556, 2017. DOI: 10.1016/j.patcog.2016.07.001

Sharma, A., Liu, X., Yang, X. and Shi, D., A patch-based convolutional neural network for remote sensing image classification. Neural Networks, 95, pp. 19-28, 2017. DOI: 10.1016/j.neunet.2017.07.017

Vakalopoulou, M., Karantzalos, K., Komodakis, N. and Paragios, N., Building detection in very high resolution multispectral data with deep learning features. IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2015. pp. 1873-1876.

Renza, D., Martinez, E. and Arquero, A., Quality assessment by region in spot images fused by means dual-tree complex wavelet transform. Advances in space research, 48(8), pp. 1377-1391, 2011.

Hecker, C., Van der Meijde, M., van der Werff, H. and van der Meer, F.D., Assessing the influence of reference spectra on synthetic SAM classification results. IEEE Transactions on Geoscience and Remote Sensing, 46(12), pp. 4162-4172, 2008. DOI: 10.1109/TGRS.2008.2001035

Licencia

Derechos de autor 2018 DYNA

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.

El autor o autores de un artículo aceptado para publicación en cualquiera de las revistas editadas por la facultad de Minas cederán la totalidad de los derechos patrimoniales a la Universidad Nacional de Colombia de manera gratuita, dentro de los cuáles se incluyen: el derecho a editar, publicar, reproducir y distribuir tanto en medios impresos como digitales, además de incluir en artículo en índices internacionales y/o bases de datos, de igual manera, se faculta a la editorial para utilizar las imágenes, tablas y/o cualquier material gráfico presentado en el artículo para el diseño de carátulas o posters de la misma revista.