[論文レビュー] Detecting Changes Between Optical Images of Different Spatial and Spectral Resolutions: a Fusion-Based Approach

Vinicius Ferraris, Nicolas Dobigeon+2 more|Open Archive Toulouse Archive Ouverte (University of Toulouse)|Sep 20, 2016

Remote-Sensing Image Classification参考文献 26被引用数 4

ひとこと要約

本論文は、パンクロマチック／マルチスペクトルおよびハイパースペクトル画像など、空間的・スペクトル的分解能が不一致である光学画像間の教師なし変化検出のための新規な統合ベースのフレームワークを提案する。低分解能の空間的およびスペクトル的画像を統合して高分解能の疑似画像を生成し、各入力の分解能に一致する予測画像を生成した後、一致するペアに対して変化検出を適用することで、従来手法に比べ優れた検出精度を達成した。実データ実験ではAUCが最大0.991に達した。

ABSTRACT

Change detection is one of the most challenging issues when analyzing remotely sensed images. Comparing several multi-date images acquired through the same kind of sensor is the most common scenario. Conversely, designing robust, flexible and scalable algorithms for change detection becomes even more challenging when the images have been acquired by two different kinds of sensors. This situation arises in case of emergency under critical constraints. This paper presents, to the best of authors' knowledge, the first strategy to deal with optical images characterized by dissimilar spatial and spectral resolutions. Typical considered scenarios include change detection between panchromatic or multispectral and hyperspectral images. The proposed strategy consists of a 3-step procedure: i) inferring a high spatial and spectral resolution image by fusion of the two observed images characterized one by a low spatial resolution and the other by a low spectral resolution, ii) predicting two images with respectively the same spatial and spectral resolutions as the observed images by degradation of the fused one and iii) implementing a decision rule to each pair of observed and predicted images characterized by the same spatial and spectral resolutions to identify changes. The performance of the proposed framework is evaluated on real images with simulated realistic changes.

研究の動機と目的

• 異なるセンサー種別で得られた空間的・スペクトル的分解能が不一致である光学画像のための、強固で柔軟かつスケーラブルな変化検出手法の不足に応える。
• 同一のセンサー特性を仮定するか、最適でないリサンプリングや補間に依存する従来手法の限界を克服する。
• 異種画像ペアしか入手できない緊急状況に応じた統一フレームワークの開発。
• 低空間的分解能および低スペクトル的分解能の画像に含まれる補完的情報を活用して、正確な変化検出を実現する。
• ラベル付きの変化データや変化位置の事前知識を必要としない、物理的に根拠を持つ教師なしアプローチを提供する。

提案手法

• ハイパースペクトルのような高スペクトル的分解能だが低空間的分解能の画像と、パンクロマチックのような低スペクトル的分解能だが高空間的分解能の画像を、物理的根拠に基づく画像統合モデルを用いて、高分解能かつ高スペクトル的分解能の疑似画像に統合する。
• 統合された疑似画像から、高空間的分解能入力の分解能に一致する画像と、高スペクトル的分解能入力の分解能に一致する画像の2つを、劣化モデルを用いて予測する。
• 空間的およびスペクトル的分解能が同一の観測画像と予測画像ペアに対して、標準的な変化検出手法（例：CVA、空間的正則化CVA）を適用する。
• 局所的な空間的コンテキストを組み込むことで、検出精度を向上させる空間的正則化変化ベクトル分析（sCVA）を用いる。
• 統合ステップを、スペクトル的および空間的整合性を保持する制約付き最適化問題として定式化する。
• AUCおよび正規化距離を性能指標として用い、実データ実験によりフレームワークを検証する。

実験結果

リサーチクエスチョン

• RQ1 ハイパースペクトル画像とパンクロマチック画像のような、空間的・スペクトル的分解能が異なる光学画像間で、統一されたフレームワークを用いた変化検出が可能かどうか。
• RQ2 低空間的分解能および低スペクトル的分解能の画像に含まれる補完的情報を効果的に統合することで、変化検出精度を向上させられるか。
• RQ3 提案手法の統合ベースの予測戦略が、従来のリサンプリングおよび補間手法に比べて、どの程度優れているか。
• RQ4 変化検出ステップに空間的正則化を組み込むことで、異種画像ペアにおける検出精度を著しく向上させ、誤検出を低減できるか。
• RQ5 光学リモートセンシングを超えた他の画像モダリティに対しても、提案された3段階手順（統合、予測、検出）を一般化できるか。

主な発見

• 提案手法は、HR-MSシナリオでAUC 0.991192、HR-PANシナリオでAUC 0.991545を達成し、最悪ケースの手法（それぞれAUC 0.937878および0.971988）を著しく上回った。
• フレームワークが生成した高分解能変化検出マップ（$\hat{\mathbf{D}}_{\mathrm{HR}}$）は、高い検出率と精度を示し、正規化距離0.959296を示しており、高精度であることを裏付けた。
• CVA手法における空間的正則化（sCVA）により、さらに性能が向上し、HR-PANシナリオでAUCが0.989493、正規化距離が0.958996に達した。
• 両方の画像を共通の分解能にリサンプリングする標準的手法は、特にスペクトル的分解能の劣化が顕著に顕在され、性能が著しく低下したのに対し、本フレームワークはそれを上回った。
• 図6および図7の可視化結果から、推定されたHR CDマップがLRマップよりも鋭く正確であり、誤検出が少なく、小さな変化の局所化が良好に実現されていることが確認された。
• 本手法は、1×1から61×61ピクセルまでのさまざまな変化サイズに対して、高い検出忠実度を維持し、強力な耐性を示した。