Détection de changements sur imagerie satellite et aérienne pour la défense

Le volume d’imagerie aérienne désormais collecté au-dessus de toute zone disputée dépasse ce que des analystes humains pourront jamais inspecter image par image. La question de renseignement est rarement « qu’y a-t-il sur cette image » – c’est « qu’est-ce qui a changé depuis la dernière fois ». La détection de changements répond directement à cette question : elle compare des images corecalées d’un passage à l’autre et réduit une pile de scènes d’apparence identique à une courte liste géolocalisée de lieux où le monde physique a bougé. De nouveaux merlons apparaissent, des véhicules se massent dans un dépôt, un pont est coupé, une piste est réparée. Cet article parcourt l’ensemble du pipeline – corecalage, normalisation radiométrique, les modèles de changement eux-mêmes, contrôle des fausses alarmes et l’étape de signalement à l’analyste qui transforme un masque de changement en produit de renseignement. La même discipline qui anime la vision par ordinateur sur les drones ISR s’applique ici, mais la dimension temporelle change tout.

Ce que produit réellement la détection de changements

Le livrable d’un système de détection de changements n’est pas une image – c’est une aide à la décision. Un pipeline fonctionnel ingère une image de référence (la dernière base de référence fiable d’une zone) et une nouvelle image (le dernier passage), et produit un ensemble de polygones de changement : régions bornées où la scène diffère de manière significative de la référence, chacune étiquetée d’un score de confiance, d’une surface, d’une empreinte WGS84 et idéalement d’une classe de changement. Un analyste reçoit une liste de signalements classée avec des vignettes avant/après plutôt qu’une scène complète à parcourir. Cette inversion – d’« interpréter tout » à « arbitrer uniquement ce qui a bougé » – constitue toute la proposition de valeur. Elle multiplie le débit de l’analyste et, surtout, raccourcit le temps entre un changement physique au sol et une alerte entre les mains d’un décideur.

Ce cadrage importe car il fixe les priorités d’ingénierie. Le système est jugé non pas sur la quantité de changement qu’il trouve mais sur la fiabilité de sa liste de signalements. Un analyste à qui l’on montre dix signalements et qui en trouve neuf qui sont du bruit cessera de faire confiance au onzième. La précision – la fraction de signalements réels – est la métrique qui gouverne l’adoption opérationnelle, et presque chaque décision de conception ci-dessous est à son service.

Corecalage : la condition préalable à tout

Deux passages de la même coordonnée ne sont presque jamais alignés au pixel près. La plateforme suit une orbite ou une trajectoire légèrement différente, le capteur regarde sous un autre angle, le relief induit une parallaxe, et l’orthorectification laisse sa propre erreur résiduelle. Chacune de ces différences géométriques est lue par un modèle de changement naïf comme un changement. Le résultat est un halo de fausses alarmes traçant chaque bord à fort contraste de la scène : contours de bâtiments, bordures de routes, limites de champs, lignes de côte. En pratique, la plus grande source de fausses alarmes opérationnelles n’est pas le modèle de changement – c’est l’erreur de recalage.

La solution est le corecalage sous-pixellaire. Les deux images sont d’abord orthorectifiées par rapport à un modèle numérique d’élévation (DTED ou un DEM commercial) et projetées sur un repère cartographique commun, ce qui élimine l’essentiel de la parallaxe induite par le terrain. La nouvelle image est ensuite recalée sur la référence par appariement de points de calage ou corrélation de phase dans le domaine de Fourier, affinant l’alignement à mieux que 0,5 pixel RMS. Les tuiles qui ne peuvent être recalées à cette tolérance – sur un désert sans relief ou une eau libre par exemple – devraient être marquées et exclues plutôt que forcées, car une tuile mal recalée n’apporte que du bruit.

Pourquoi l’orthorectification n’est pas optionnelle

Il est tentant de sauter l’orthorectification pour l’imagerie à visée nadir sur terrain plat. C’est un piège. Même de petits angles hors nadir combinés à des structures verticales – bâtiments, tours, bords de terrain – produisent un basculement et un déplacement qui varient avec la géométrie de visée entre passages. Un bâtiment de 30 mètres imagé depuis deux azimuts différents semblera « bouger » de plusieurs mètres au niveau de sa ligne de toit. Sans orthorectification ni modèle d’altitude, ce mouvement apparent est indiscernable d’un changement réel, et le taux de fausses alarmes autour de chaque structure haute devient ingérable.

Normalisation radiométrique : retirer ce qui a changé mais n’a pas d’importance

Même des images parfaitement alignées diffèrent radiométriquement entre passages. L’angle solaire se décale avec l’heure et la saison, la brume atmosphérique et la charge en aérosols varient, et le gain et l’étalonnage du capteur dérivent. Un modèle de changement qui voit l’intensité brute signalera un versant entier comme « changé » simplement parce que le soleil de l’après-midi l’a éclairé différemment de la référence du matin. La normalisation radiométrique remet à l’échelle la nouvelle image pour que sa distribution d’intensité soit comparable à la référence, en utilisant soit une correction atmosphérique fondée sur la physique (conversion en réflectance de surface), soit une normalisation relative par rapport à des éléments invariants – toits, surfaces revêtues, eau profonde – qui ne devraient pas avoir changé.

Parallèlement à la normalisation, le pipeline masque les classes de nuisance qui changent naturellement et n’ont aucune valeur de renseignement. Les nuages et les ombres de nuages sont les évidentes ; sinon, un nuage de passage dominerait le masque de changement. La végétation dense bouge avec le vent et pousse entre passages, l’eau libre a une surface en perpétuel changement, et l’ombre de terrain se décale avec l’angle solaire. Masquer ces classes avant l’exécution du modèle de changement – ou les pondérer à la baisse – maintient le modèle concentré sur le changement sémantique qui intéresse l’analyste. Les principes recoupent ici largement l’architecture de plateforme GEOINT plus large qui héberge ces produits.

Modèles de changement : de la différence de pixels au changement appris

Le détecteur de changement le plus simple est la différenciation d’images : soustraire l’image de référence de la nouvelle image et seuiller l’amplitude. C’est rapide et interprétable, et sur des images bien recalées et bien normalisées cela fonctionne pour le changement à fort contraste. Mais c’est fragile – il ne peut distinguer une bâche posée sur de l’équipement d’un changement structurel véritable, et n’a aucune notion du type de changement qui importe. Les raffinements classiques incluent l’analyse vectorielle de changement à travers les bandes spectrales, l’analyse en composantes principales de la paire d’images empilées, et la transformation IR-MAD (détection multivariée d’altération repondérée itérativement), statistiquement robuste aux différences radiométriques résiduelles.

Les systèmes opérationnels modernes utilisent des modèles de changement appris, le plus souvent un réseau siamois : deux encodeurs à poids partagés transforment l’image de référence et la nouvelle image en plongements de caractéristiques, et un décodeur fusionne les deux flux de caractéristiques en une carte de probabilité de changement par pixel. Les architectures siamoises convolutives (comme les familles Siam-Diff et FC-Siam) et, plus récemment, les détecteurs de changement à base de transformeurs capturent un contexte que les méthodes pixel ne peuvent saisir – ils apprennent qu’une nouvelle structure linéaire dans un champ est plus probablement une trace qu’une ombre, et qu’une extension rectangulaire à côté d’un bâtiment est une construction. Le résultat est un raster de confiance de changement continu, et non un masque binaire dur, ce qui préserve l’information nécessaire à l’étape de seuillage.

SAR et détection de changement cohérente

La détection de changements optique est aveugle la nuit et sous les nuages. Le radar à synthèse d’ouverture ne l’est pas, et cela fait de la détection de changements SAR un complément tout temps, jour et nuit, qui est souvent le mode le plus précieux sur le plan opérationnel. Au-delà de la simple différenciation d’amplitude, le SAR permet la détection de changement cohérente (CCD) : comparer la cohérence de phase interférométrique entre deux images SAR complexes de la même scène. Là où la surface a été physiquement perturbée à l’échelle de la longueur d’onde du radar – traces de véhicules sur le sol, creusement récent, sentiers, équipement récemment déplacé – la cohérence s’effondre, et ces perturbations ressortent nettement même quand aucun changement d’amplitude n’est visible à l’œil. Un schéma opérationnel courant fusionne les deux : une perte de cohérence en SAR oriente une collecte optique de suivi sur les coordonnées exactes, de sorte que le capteur tout temps déclenche le capteur haute résolution.

Contrôle des fausses alarmes et signalement à l’analyste

Ayant produit un raster de confiance de changement, le pipeline doit le convertir en une liste de signalements fiable. C’est un problème de filtrage multi-étapes. D’abord, un seuil de confiance et un nettoyage morphologique retirent le speckle et les pixels isolés. Les régions connexes sont ensuite vectorisées en polygones de changement, chacun annoté de surface, d’empreinte, de confiance et – si un classifieur est présent – d’une classe de changement. Une exigence de persistance est l’un des suppresseurs de fausses alarmes les plus efficaces disponibles : exiger qu’un changement apparaisse sur deux passages consécutifs ou plus avant d’être promu élimine la plupart des artefacts d’un seul passage (un bord de nuage transitoire, un défaut de recalage ponctuel) tout en faisant émerger l’activité véritable dans un délai acceptable.

Les polygones survivants sont classés – typiquement par une combinaison de confiance et de surface, des zones de priorité définies par l’opérateur renforçant les changements dans des zones d’intérêt nommées. Chaque signalement est empaqueté avec une vignette d’image avant/après, de sorte que l’analyste peut arbitrer en quelques secondes sans ouvrir la scène complète. Élément crucial, le verdict de l’analyste (changement réel, nuisance, déjà connu) est capturé et réinjecté comme données d’entraînement étiquetées. Cela ferme la boucle : le modèle qui a produit le signalement apprend de l’analyste qui l’a jugé, et la précision s’améliore au cours de la vie du déploiement. La même discipline d’humain dans la boucle sous-tend plus largement le tri des données ISR assisté par IA.

Latence, revisite et le passage au bord

La rapidité avec laquelle un changement doit être détecté dépend entièrement de la cible. La surveillance d’infrastructures stratégiques fixes tolère une revisite mesurée en jours et une latence de traitement mesurée en heures – la référence bouge à peine, et un produit lent et soigné est acceptable. La surveillance d’activité est différente. Quand la valeur de renseignement réside dans l’accumulation de véhicules, le déplacement d’équipement ou l’excavation récente, le changement est l’alerte, et un signalement qui arrive un jour trop tard est un signalement qui arrive après la fermeture de la fenêtre de décision. La détection de changements tactique pousse donc vers une revisite horaire et une latence de traitement de l’ordre de la minute, de la réception au signalement.

Cette pression de latence est le principal moteur du déplacement de la détection de changements vers le bord du capteur. L’architecture classique transmet chaque image complète vers un centre de traitement au sol, ce qui est gourmand en bande passante et lent. L’architecture émergente exécute le corecalage et le modèle de changement à bord ou sur un nœud avancé, de sorte que seuls les polygones de changement et de petites vignettes avant/après – des kilo-octets, pas des giga-octets – traversent la liaison descendante contrainte. C’est la même philosophie d’inférence au bord appliquée dans tout l’ISR moderne, où le réseau est le goulot d’étranglement et où la réponse est d’expédier la décision, pas les données.

Concevoir le système de bout en bout

Un système de détection de changements en production est une chaîne de composants, dont chacun peut couler le produit s’il sous-performe : un frontal d’orthorectification et de corecalage, une étape de normalisation radiométrique et de masquage, le modèle de changement lui-même (optique, SAR ou fusionné), un arrière-plan de seuillage et de vectorisation, et une couche de signalement et de retour câblée dans la vue GEOINT. Le modèle est la partie qui attire le plus l’attention, mais c’est rarement la partie qui détermine si les analystes font confiance à la sortie. Ce sont la géométrie, la normalisation et un contrôle discipliné des fausses alarmes qui en décident. Construisez bien ces éléments, gardez un humain dans la boucle d’arbitrage – et le produit de détection de changements devient ce qu’il devrait être : un moteur de désignation et de pointage qui dirige l’attention analytique rare exactement vers les coordonnées où le monde a changé.

Pour le volet inférence sur appareil de ce problème – exécuter des modèles de détection et de changement près du capteur – voir notre article compagnon sur la vision par ordinateur pour les systèmes de défense.