Hyperspectral change detection using temporal principal component analysis

Abstract

This work deals with the detection of changes using hyperspectral images. Change detection is the process of automatically identifying and analyzing regions that have undergone spatial or spectral changes from multi temporal images. Detecting and representing change provides valuable information of the possible transformations a given scene has suffered over time. Change detection in sequences of hyperspectral images is complicated by the fact that change can occur in the temporal and/or spectral domains. This work studies the use of Temporal Principal Component Analysis (TPCA) for change detection in multi/hyperspectral images. Additional methods were implemented in order to compare its results with TPCA. These were: Image Differencing and Conventional Principal Component Analysis. Hyperspectral imagery from different sensors showing different scenarios was used to test and validate the methods presented in this study. The algorithms were implemented using Matlab, and its performances are presented in terms of false alarms and missed changes. Overall results showed that the performance of TPCA was the best, obtaining the smallest error percentage.

Este trabajo atiende la detección de cambios utilizando imágenes hiperespectrales. La detección de cambios es el proceso automático de identificar y analizar las áreas que han sufrido cambios en imágenes multitemporales, ya sea en el dominio espacial o espectral. El detectar y representar los cambios provee información valiosa sobre las posibles transformaciones que pudo haber sufrido una escena, a través del tiempo. La detección de cambios en secuencia de imágenes hiperespectrales se torna complicada por el hecho de que el cambio puede ocurrir tanto en el dominio espectral como en el temporal. Este trabajo estudia el uso del Análisis Temporal de Componentes Principales para detectar cambios en imágenes hiperespectrales. Dos métodos adicionales fueron implementados para comparar sus resultados con el método presentado en este trabajo. Estos fueron: Diferencia de Imágenes y el Análisis Convencional de Componentes Principales. Imágenes tomadas de distintos sensores hiperespectrales fueron utilizadas para probar y validar la capacidad de los algoritmos estudiados en detectar los cambios. Los algoritmos presentados fueron implementados en el programa MATLAB, y su desempeño se muestra en términos de la cantidad de falsas alarmas y pixeles de cambio no detectados. Los resultados generales demostraron que el método de Análisis Temporal de Componentes Principales fue el mejor obteniendo el menor porcentaje de error.