Förändringsdetektering

Förändringsdetektering är processen att identifiera och lokalisera förändringar mellan två eller flera tidpunkter i data som representerar samma scen. Vanligt förekommande inom fjärranalys och medicinsk bildbehandling används det även i övervakning, stads- och landskapsplanering, jordbruk och industriella processer. Målet är att automatiskt särskilja verkliga förändringar från brus eller variationer orsakade av årstider eller olika belysning och att ange var i bilden förändringen har skett.

Metoderna delas vanligtvis in i pixlarbaserade, objekt- och regionbaserade samt inlärningsbaserade tillvägagångssätt. Pixlarbaserad change detection jämför motsvarande pixlar mellan tidpunkter och använder tekniker som differens-, log-ratio- eller statistiska tester. Objekt- och regionbaserad metodik segmenterar bilden i objekt eller regioner och jämför deras egenskaper över tid. Inlärningsbaserade metoder utnyttjar maskininlärning eller djupinlärning och kan lära sig förändringsmönster direkt eller generera förändringskartor med tvågrenade nätverk.

Arbetssättet innefattar normalt dataförberedelse: geometrisk registrering av bilderna, radiometrisk normalisering, samt hantering av olika upplösningar och sensorer. Efter det genereras en förändringskarta och ofta följer postbearbetning såsom morfologiska operationer, filtrering och sammanfogning av sammanhängande förändringsområden. Noggrannhetsbedömning sker med konfusionsmatriser, kappa-koefficient, precision, återkallning och F1-score, vanligtvis i jämförelse med markbaserad eller expertbedömning.

Användningsområden inkluderar övervakning av avverkningar och urban utveckling, jordbrukets förändringar, skog- och miljöövervakning, katastrofbedömningar samt medicinsk bildbehandling där förändringar i lesioner eller tumörer följs över tid. Varje applikation kräver anpassning av metod och prestanda, samt respekt för datakvalitet och etiska aspekter.