Graph learning approach based on signal representation methods for multispectral image fusion and change detection
Loading...
Date
2020
Journal Title
Journal ISSN
Volume Title
Publisher
Pontificia Universidad Javeriana Cali
Abstract
Los gráficos son una herramienta matemática ampliamente utilizada para representar varios tipos de datos involucrados en un determinado proceso y las relaciones existentes entre ellos capturando la estructura y comportamiento del proceso. Se utilizan en aplicaciones como el modelado de la propagación de enfermedades en una población, transacciones financieras, redes de sensores y teledetección. Una de las aplicaciones novedosas que están en continuo desarrollo en teledetección, específicamente en detección de cambios, es el modelo de última generación basado en gráficos de fusión para detección de cambios (GBF-CD), en el que los autores utilizan gráficos para representar la Imágenes previas y posteriores al evento. Este modelo utiliza un núcleo gaussiano en la etapa de aprendizaje de gráficos, que pasa por alto una estructura de datos subyacente específica. Los modelos de aprendizaje de gráficos se basan en estadísticas, física o representación de señales. En esta investigación, utilizamos modelos basados en la representación de señales, es decir, suavidad de la señal y filtrado espectral, para la etapa de aprendizaje del gráfico GBF-CD con el fin de mejorar el rendimiento del modelo en métricas como: alarmas perdidas, falsas alarmas, precisión, recuperación, Cohen. kappa, error general y tiempo de ejecución. Además de modificar la etapa de aprendizaje de gráficos, en este nuevo modelo aplicamos la segmentación de corte de gráficos en lugar de la extensión de Nyström para reducir la complejidad computacional. Realizamos pruebas en 14 conjuntos de datos de casos reales de imágenes multiespectrales, incluidas algunas adquisiciones multimodales de desastres naturales. Nuestro modelo propuesto supera el rendimiento del modelo GBF-CD en 9 de 14 conjuntos de datos.
Description
item.page.descriptioneng
Graphs are a mathematical tool widely used to represent several types of data involved in a determined process and the existent relations between them capturing the structure and behavior of the process. They are used in applications such as the modeling of disease spreading in a population, financial transactions, sensor networks, and remote sensing. One of the novel applications that are in continuous development in remote sensing, specifically in change detection is the state-of-the-art graph-based fusion for change detection (GBF-CD) model, in which the authors use graphs to represent the pre- and post-event images. This model uses a Gaussian kernel in the graph learning stage, which overlooks specific underlying data structure. Graph learning models are based on statistics, physics, or signal representation. In this research, we use models based on signal representation, namely signal smoothness and spectral filtering, for the GBF-CD graph learning stage in order to improve the model performance in metrics such as: missed alarms, false alarms, precision, recall, Cohen’s kappa, overall error, and execution time. In addition to modifying the graph learning stage, in this new model, we apply graph cut segmentation instead of Nyström extension to reduce computational complexity. We carry out tests on 14 real cases datasets of multispectral images including some multimodal acquisitions of natural disasters. Our proposed model outperforms the GBF-CD model performance in 9 out of 14 datasets.
Keywords
Gráficos, Representación de datos, Modelado de propagación de enfermedades, Transacciones financieras, Redes de sensores, Teledetección, Detección de cambios, Modelo de última generación, Graphs, Data representation, Disease spread modeling, Financial transactions, Sensor networks, Remote sensing, Change detection, Next generation model