A contrario models for generic change detection in very high resolution satellite imagery
Modèles a contrario pour la détection générique de changements en imagerie satellitaire très haute résolution
Résumé
In this thesis, we propose several methods for the detection of generic changes, suitable for photo-interpretation support. We introduce various models of change detection, called "primary", each presenting a different approach to the notion of change and based on the statistical framework called "a contrario", which allows a control of the average number of false alarms. For the first model, which directly subtracts descriptors computed punctually on each image, we propose an estimation of the number of false alarms in the presence of Gaussian noise, which proves to be exact in the case of linear descriptors. The second primary model is based on a comparison of local histograms, which by its robustness avoids the need for a precise prior registration between the two images. The third proposed model is an extension of the Reed-Xiaoli anomaly detection algorithm to a pair of images and local distributions modeled by Gaussian mixtures. The last two primary models integrate an invariance to some global changes, and thus allow the comparison of radiometrically different images, a problem little studied in the literature. In this way, the " common fate " model examines the presence of local anomalies in the joint statistics of the two compared images, and thus makes it possible to free oneself from systematic transformations between the two images. The "indirect reconstruction" model uses a distance between patches to construct a version of the first image in the radiometric frame of reference of the second, which then allows a direct comparison. In the last part, we focus on the construction of a detector of specified changes from a small number of examples. Using a gradient boosting algorithm applied to regression trees, we perform the aggregation of detectors obtained by combining the previous primary models with different descriptors. The interest of this method is illustrated on a real case of satellite data.
Dans cette thèse, nous proposons plusieurs méthodes de détection de changements génériques, adaptées à l'aide à la photo-interprétation. Nous introduisons différents modèles de détection de changements, dit « primaires », présentant chacun une approche différente de la notion de changement et reposant sur le cadre statistique dit « a contrario », qui permet un contrôle du nombre moyen de fausses alarmes. Pour le premier modèle, qui soustrait directement des descripteurs calculés ponctuellement sur chacune des images, nous proposons une estimation du nombre de fausses alarmes en présence de bruit gaussien, qui s'avère exacte dans le cas de descripteurs linéaires. Le deuxième modèle primaire repose sur une comparaison d'histogrammes locaux, qui par sa robustesse permet de s'affranchir de la nécessité d'effectuer une mise en correspondance préalable précise entre les deux images à comparer. Le troisième modèle proposé est une extension de l'algorithme de détection d'anomalies de Reed-Xiaoli à un couple d'images et des distributions locales modélisées par des mélanges de gaussiennes. Les deux derniers modèles primaires intègrent une invariance à certains changements globaux, et permettent ainsi la comparaison d'images radiométriquement différentes, problème peu étudié dans la littérature. Ainsi, le modèle par « destin commun » examine la présence d'anomalies locales dans la statistique jointe des deux images à comparer, et permet donc de s'affranchir d'éventuelles transformations systématiques entre les deux images. Le modèle par « reconstruction indirecte », quant à lui, utilise une distance entre patchs pour construire une version de la première image dans le référentiel radiométrique de la seconde, ce qui permet ensuite de les comparer directement. Dans la dernière partie, nous nous intéressons à la construction d'un détecteur de changements spécifiés à partir d'un petit nombre d'exemples. À l'aide d'un algorithme de type gradient boosting appliqué à des arbres de régression, nous réalisons l'agrégation de détecteurs obtenus en combinant les modèles primaires précédents avec différents descripteurs. L'intérêt de cette méthode est illustré sur un cas réel de données satellitaires.
| Origine | Version validée par le jury (STAR) |
|---|