Multivariate approach to change detection from fraction images

Abstract

Detection of changes in remotely sensed digital images acquired on different dates are commonly highly influenced by radiometric differences and registration problems. Using fraction images obtained from the linear model of spectral mixing, the radiometric problems can be minimized and interpretation of changes in land cover is simplified. This note explores an algorithm for detecting changes between fraction images, which provides a probabilistic threshold, from which pixels that have undergone change can be identified and classified. The technique requires multivariate normality for the differences of fractions and is based on the fact that the contours of constant density are defined by χ² values, according the choice of probability level. To include spatial information, morphological operations were performed on the binary images created by the algorithm. Results obtained using synthetic images with high noise levels showed kappa values above 0.87 and a detection rate of approximately 80%, when a low level of significance and morphological filters were used. The experiment using a real pair of images (Landsat-TM), in turn, has successfully identified mining areas and deforestation regions.

La détection de changement entre des images numériques multitemporelles tend à être fortement influencée par des différences radiométriques et des problèmes d'enregistrement. En utilisant des fractions d'images, obtenues par l'analyse spectrale mixte, les problèmes radiométriques peuvent être minimisés et l'interprétation des changements dans la couverture du sol est facilitée. Cette étude a le but de proposer un algorithme de détection de changement entre fractions d'images qui permet la définition d'un seuil de décision pour l’étiquetage des pixels sur la classe du changement. La technique suppose que les différences de fractions présentent une distribution normale multivariée et est-elle aussi basée sur le fait que les contours de densité constante sont limités par les valeurs de la distribution chi-carré, selon le choix du niveau de signification. Afin d'inclure l'information spatiale, des opérations morphologiques ont été réalisées sur les images binaires créés par l'algorithme. Les résultats, obtenus en utilisant des images synthétiques avec des niveau de bruit élevé, ont montré des valeurs kappa au-dessus de 0,87 et le taux de détection de 80% à condition que un faible niveau de signification et de filtres morphologiques ont été utilisées. L'expérience avec des images réelles (Landsat-TM), à son tour, a permis d'identifier des zones minières et des régions de déforestation.

Acknowledgements

The authors acknowledge financial support by FAPERGS (grant number 1672/12-2) and CNPq (Universal grant number 477112/2012-9) agencies.