Detección de cambios basada en objetos utilizando análisis de imágenes de correlación y segmentación de imágenes

Este estudio introduce la detección de cambios basada en el análisis de imágenes de correlación de objetos/vecindarios y técnicas de segmentación de imágenes. El análisis de imágenes de correlación se basa en el hecho de que los pares de valores de brillo de la misma área geográfica (por ejemplo, un objeto) entre conjuntos de datos de imágenes bi-temporales tienden a estar altamente correlacionados cuando ocurre poco cambio, y a estar descorrelacionados cuando ocurre un cambio. Se investigaron cinco métodos diferentes de detección de cambios para determinar cómo nuevas características contextuales podrían mejorar los resultados de clasificación de cambios, y si un enfoque basado en objetos podría mejorar la clasificación de cambios en comparación con el análisis por píxel. Los cinco métodos examinados incluyen (1) clasificación de cambios basada en objetos que incorpora imágenes de correlación de objetos (OCIs), (2) clasificación de cambios basada en objetos que incorpora imágenes de correlación de vecindarios (NCIs), (3) clasificación de cambios basada en objetos sin características contextuales, (4) clasificación de cambios por píxel que incorpora NCIs, y (5) clasificación de cambios tradicional por píxel utilizando solo datos de imagen bi-temporales. También se investigaron dos algoritmos de clasificación diferentes (es decir, un árbol de decisión de aprendizaje automático y el más cercano vecino). Se evaluó la comparación entre las variables OCI y NCI. Las clasificaciones de cambios basadas en objetos que incorporan las OCIs o las NCIs produjeron clases de detección de cambios más precisas (Kappa aproximado del 90%) que otros resultados de detección de cambios (Kappa en un rango del 80 al 85%).