Veranderingsdetectie in satelliet- en luchtbeelden voor defensie

Het volume aan overheadbeelden dat nu over elk betwist gebied wordt verzameld, overstijgt wat menselijke analisten ooit frame voor frame kunnen inspecteren. De inlichtingenvraag is zelden "wat staat er in dit beeld" – het is "wat is er anders dan de vorige keer dat we keken." Veranderingsdetectie beantwoordt die vraag rechtstreeks: het vergelijkt co-geregistreerde beelden over passages heen en reduceert een stapel identiek ogende scènes tot een korte, gegeolokaliseerde lijst van plaatsen waar de fysieke wereld bewoog. Nieuwe borstweringen verschijnen, voertuigen verzamelen zich op een depot, een brug wordt doorgesneden, een landingsbaan wordt hersteld. Dit artikel doorloopt de volledige pijplijn – co-registratie, radiometrische normalisatie, de veranderingsmodellen zelf, beheersing van valse alarmen en de analist-cueingfase die een veranderingsmasker omzet in een inlichtingenproduct. Dezelfde discipline die computervisie op ISR-drones aandrijft, geldt hier ook, maar de temporele dimensie verandert alles.

Wat veranderingsdetectie daadwerkelijk produceert

Het eindproduct van een veranderingsdetectiesysteem is geen beeld – het is een beslissingshulpmiddel. Een werkende pijplijn neemt een referentiebeeld in (de laatste vertrouwde basislijn van een gebied) en een nieuw beeld (de meest recente passage), en levert een set veranderingspolygonen op: begrensde regio's waar de scène betekenisvol verschilt van de basislijn, elk getagd met een vertrouwensscore, een oppervlakte, een WGS84-voetafdruk en idealiter een veranderingsklasse. Een analist ontvangt een gerangschikte cuelijst met voor/na-beeldfragmenten in plaats van een volledige scène om te scannen. Deze omkering – van "interpreteer alles" naar "beoordeel alleen wat bewoog" – is de hele waardepropositie. Het vermenigvuldigt de doorvoer van de analist en, belangrijker, verkort de tijd tussen een fysieke verandering op de grond en een alarm in handen van een besluitvormer.

Dat kader is belangrijk omdat het de technische prioriteiten bepaalt. Het systeem wordt niet beoordeeld op hoeveel verandering het vindt, maar op de betrouwbaarheid van zijn cuelijst. Een analist aan wie tien cues worden getoond en die ontdekt dat negen ervan ruis zijn, zal de elfde niet meer vertrouwen. Precisie – de fractie cues die echt is – is de metriek die de operationele adoptie bepaalt, en bijna elke ontwerpbeslissing hieronder staat in dienst daarvan.

Co-registratie: de voorwaarde voor alles

Twee passages van dezelfde coördinaat zijn vrijwel nooit pixeluitgelijnd. Het platform vliegt een iets andere baan of spoor, de sensor kijkt vanuit een andere hoek, terreinreliëf veroorzaakt parallax en orthorectificatie laat een eigen restfout achter. Elk van deze geometrische verschillen wordt door een naïef veranderingsmodel als verandering gelezen. Het resultaat is een halo van valse alarmen die elke contrastrijke rand in de scène volgt: gebouwomtrekken, wegranden, perceelgrenzen, kustlijnen. In de praktijk is de grootste enkele bron van operationele valse alarmen niet het veranderingsmodel – het is registratiefout.

De oplossing is subpixel-co-registratie. Beide beelden worden eerst georthorectificeerd tegen een digitaal hoogtemodel (DTED of een commerciële DEM) en geprojecteerd naar een gemeenschappelijk kaartkader, wat het grootste deel van de door terrein veroorzaakte parallax verwijdert. Het nieuwe beeld wordt vervolgens op de referentie geregistreerd met behulp van tie-point-matching of fasecorrelatie in het Fourierdomein, waarbij de uitlijning wordt verfijnd tot beter dan 0,5 pixel RMS. Tegels die niet binnen die tolerantie kunnen worden geregistreerd – bijvoorbeeld over kenmerkloze woestijn of open water – moeten worden gemarkeerd en uitgesloten in plaats van geforceerd, omdat een slecht geregistreerde tegel alleen ruis bijdraagt.

Waarom orthorectificatie niet optioneel is

Het is verleidelijk om orthorectificatie over te slaan voor nadir-kijkende beelden op vlak terrein. Dit is een valstrik. Zelfs kleine off-nadir-hoeken in combinatie met verticale structuren – gebouwen, torens, terreinranden – produceren scheefstand en verplaatsing die variëren met de kijkgeometrie tussen passages. Een gebouw van 30 meter, gefotografeerd vanuit twee verschillende azimuts, lijkt enkele meters te "bewegen" bij zijn daklijn. Zonder orthorectificatie en een hoogtemodel is die schijnbare beweging niet te onderscheiden van echte verandering, en wordt het percentage valse alarmen rond elke hoge structuur onhandelbaar.

Radiometrische normalisatie: verwijderen wat veranderde maar er niet toe doet

Zelfs perfect uitgelijnde beelden verschillen radiometrisch tussen passages. De zonnehoek verschuift met het tijdstip van de dag en het seizoen, atmosferische nevel en aerosolbelasting variëren, en sensorversterking en kalibratie driften. Een veranderingsmodel dat ruwe intensiteit ziet, zal een hele heuvelflank als "veranderd" markeren simpelweg omdat de middagzon hem anders verlichtte dan de ochtendbasislijn. Radiometrische normalisatie herschaalt het nieuwe beeld zodat de intensiteitsverdeling vergelijkbaar is met de referentie, met gebruik van ofwel op fysica gebaseerde atmosferische correctie (omzetting naar oppervlaktereflectie) ofwel relatieve normalisatie tegen invariante kenmerken – daken, verharde oppervlakken, diep water – die niet hadden mogen veranderen.

Naast normalisatie maskeert de pijplijn stoorklassen die van nature veranderen en geen inlichtingenwaarde dragen. Wolk en wolkschaduw zijn de voor de hand liggende; een passerende wolk zou anders het veranderingsmasker domineren. Dichte vegetatie beweegt mee met de wind en groeit tussen passages, open water heeft een voortdurend variërend oppervlak, en terreinschaduw verschuift met de zonnehoek. Het maskeren van deze klassen voordat het veranderingsmodel draait – of ze laag wegen – houdt het model gefocust op de semantische verandering waar de analist om geeft. De principes hier overlappen sterk met de bredere GEOINT-platformarchitectuur die deze producten host.

Veranderingsmodellen: van pixelverschil naar geleerde verandering

De eenvoudigste veranderingsdetector is beeldverschil: trek het referentiebeeld af van het nieuwe beeld en zet een drempel op de magnitude. Het is snel en interpreteerbaar, en op goed geregistreerde, goed genormaliseerde beelden werkt het voor contrastrijke verandering. Maar het is broos – het kan een zeil over materieel niet onderscheiden van een echte structurele verandering, en het heeft geen begrip van welk soort verandering ertoe doet. Klassieke verfijningen omvatten veranderingsvectoranalyse over spectrale banden, principale componentenanalyse van het gestapelde beeldpaar, en de IR-MAD-transformatie (iteratief herwogen multivariate alteratiedetectie), die statistisch robuust is tegen residuele radiometrische verschillen.

Moderne operationele systemen gebruiken geleerde veranderingsmodellen, meestal een Siamees netwerk: twee gewichtsdelende encoders verwerken het referentie- en het nieuwe beeld tot kenmerk-embeddings, en een decoder fuseert de twee kenmerkstromen tot een veranderingswaarschijnlijkheidskaart per pixel. Convolutionele Siamese architecturen (zoals de Siam-Diff- en FC-Siam-families) en, recenter, op transformers gebaseerde veranderingsdetectoren vangen context die pixelmethoden niet kunnen – ze leren dat een nieuw lineair kenmerk in een veld eerder een spoor is dan een schaduw, en dat een rechthoekige aanbouw naast een gebouw bouwwerk is. De uitvoer is een continu veranderingsvertrouwensraster, geen hard binair masker, wat de informatie behoudt die nodig is voor de drempelfase.

SAR en coherente veranderingsdetectie

Optische veranderingsdetectie is blind 's nachts en onder wolken. Synthetische apertuurradar is dat niet, en dit maakt SAR-veranderingsdetectie een allweer, dag-en-nacht aanvulling die vaak de operationeel waardevollere modus is. Naast eenvoudig amplitudeverschil maakt SAR coherente veranderingsdetectie (CCD) mogelijk: het vergelijken van de interferometrische fasecoherentie tussen twee complexe SAR-beelden van dezelfde scène. Waar het oppervlak fysiek is verstoord op de schaal van de radargolflengte – voertuigsporen door grond, vers graafwerk, voetpaden, recent verplaatst materieel – stort de coherentie in, en deze verstoringen springen levendig naar voren, zelfs als er geen amplitudeverandering zichtbaar is voor het oog. Een veelvoorkomend operationeel patroon fuseert de twee: een coherentieverlies in SAR stuurt een vervolg-optische opname van de exacte coördinaten aan, zodat de allweersensor de hoge-resolutiesensor triggert.

Beheersing van valse alarmen en analist-cueing

Nadat een veranderingsvertrouwensraster is geproduceerd, moet de pijplijn dit omzetten in een betrouwbare cuelijst. Dit is een meertraps filterprobleem. Eerst verwijderen een vertrouwensdrempel en morfologische opschoning speckle en geïsoleerde pixels. Verbonden regio's worden vervolgens gevectoriseerd tot veranderingspolygonen, elk geannoteerd met oppervlakte, voetafdruk, vertrouwen en – indien een classificeerder aanwezig is – een veranderingsklasse. Een persistentievereiste is een van de meest effectieve onderdrukkers van valse alarmen die beschikbaar zijn: vereisen dat een verandering over twee of meer opeenvolgende passages verschijnt voordat deze wordt gepromoveerd, elimineert de meeste artefacten van één passage (een voorbijgaande wolkrand, een eenmalige registratiestoring) en brengt toch echte activiteit binnen een acceptabele vertraging naar voren.

De overlevende polygonen worden gerangschikt – doorgaans op een combinatie van vertrouwen en oppervlakte, waarbij door de operator gedefinieerde prioriteitszones veranderingen binnen benoemde interessegebieden versterken. Elke cue wordt verpakt met een voor/na-beeldfragment zodat de analist binnen seconden kan beoordelen zonder de volledige scène te openen. Cruciaal is dat het oordeel van de analist (echte verandering, stoorbron, al bekend) wordt vastgelegd en teruggevoerd als gelabelde trainingsdata. Dit sluit de lus: het model dat de cue produceerde, leert van de analist die hem beoordeelde, en de precisie verbetert gedurende de levensduur van de inzet. Dezelfde discipline van mens-in-de-lus onderbouwt AI-ondersteunde ISR-datatriage in bredere zin.

Latentie, herbezoek en de verschuiving naar de edge

Hoe snel een verandering moet worden gedetecteerd, hangt volledig af van het doel. Het monitoren van vaste strategische infrastructuur verdraagt een herbezoek gemeten in dagen en een verwerkingslatentie gemeten in uren – de basislijn beweegt nauwelijks, en een traag, zorgvuldig product is acceptabel. Het monitoren van activiteit is anders. Wanneer de inlichtingenwaarde ligt in voertuigopbouw, materieelbeweging of vers graafwerk, is de verandering de waarschuwing, en een cue die een dag te laat aankomt, is een cue die aankomt nadat het beslissingsvenster is gesloten. Tactische veranderingsdetectie duwt daarom richting herbezoek per uur en verwerkingslatentie op minutenschaal van downlink tot cue.

Die latentiedruk is de belangrijkste drijfveer achter het verplaatsen van veranderingsdetectie naar de sensoredge. De klassieke architectuur downlinkt elk volledig beeld naar een grondverwerkingscentrum, wat bandbreedtehongerig en traag is. De opkomende architectuur draait co-registratie en het veranderingsmodel aan boord of op een voorwaartse node, zodat alleen de veranderingspolygonen en kleine voor/na-fragmenten – kilobytes, geen gigabytes – de beperkte downlink passeren. Dit is dezelfde edge-inferentiefilosofie die over moderne ISR wordt toegepast, waar het netwerk de bottleneck is en het antwoord is om de beslissing te verzenden, niet de data.

Het systeem van begin tot eind engineeren

Een productie-veranderingsdetectiesysteem is een keten van componenten, waarvan elk het product kan laten zinken als het ondermaats presteert: een orthorectificatie- en co-registratie-frontend, een radiometrische normalisatie- en maskeringsfase, het veranderingsmodel zelf (optisch, SAR of gefuseerd), een drempel- en vectorisatie-backend, en een cueing- en feedbacklaag die in het GEOINT-beeld is bedraad. Het model is het deel dat de meeste aandacht trekt, maar het is zelden het deel dat bepaalt of analisten de uitvoer vertrouwen. Geometrie, normalisatie en gedisciplineerde beheersing van valse alarmen bepalen dat. Bouw die goed, houd een mens in de beoordelingslus, en het veranderingsdetectieproduct wordt wat het moet zijn: een tip-and-cue-motor die schaarse analytische aandacht richt op precies de coördinaten waar de wereld veranderde.

Voor de on-device inferentiekant van dit probleem – het draaien van detectie- en veranderingsmodellen dicht bij de sensor – zie ons begeleidende artikel over computervisie voor defensiesystemen.