Abstract Change detection between images is a procedure used in many applications of remote sensing data. Among these applications, the identification of damaged infrastructures in urban areas due to a large-scale disaster is a task that is crucial for distributing relief, quantifying losses, and rescue purposes. A crucial consideration for change detection is that the images must be co-registered precisely to avoid errors resulting from misalignments. An essential consideration is that some large-magnitude earthquakes produce very complex distortions of the ground surface; therefore, a pair of images recorded before and after a particular earthquake cannot be co-registered accurately. In this study, we intend to identify changes between images that are not co-registered. The proposed procedure is based on the use of phase correlation, which shows different patterns in changed and non-changed areas. A careful study of the properties of phase correlation suggests that it is robust against misalignments between images. However, previous studies showed that, in areas with no-changes, the signal power in the phase correlation is not concentrated in a single component, but rather in several components. Thus, we study the performance of the l1-regularized logistic regression classifier to identify the relevant components of phase correlation and learn to detect non-changed and changes areas. An empirical evaluation consisting of identifying the changes between pre-event and post-event images corresponding to the 2018 Sulawesi Indonesia earthquake-tsunami was performed for this purpose. Pairs of visible and near-infrared (VNIR) spectral bands of medium-resolution were used to compute the phase correlation to set feature space. The phase correlation-based feature space consisted of 484 features. We evaluate the proposed procedure using a damage inventory performed from visual inspection of optical images of 0.5-m resolution. A third-party provided the referred inventory. Because of the limitation of medium-resolution imagery, the different damage levels in the damage inventory were merged into a binary class: “changed” and “non-changed”. The results demonstrate that the proposed procedure efficiently reproduced 85 ± 6% of the damage inventory. Furthermore, our results identified tsunami-affected areas that were not previously identified by visual inspection.

中文翻译：

---

使用相位相关和基于 ℓ1 的稀疏模型检测城市变化以进行早期灾害响应：以 2018 年印度尼西亚苏拉威西地震海啸为例

摘要 图像间的变化检测是许多遥感数据应用中使用的过程。在这些应用中，识别城市地区因大规模灾害而受损的基础设施是分配救济、量化损失和救援目的的关键任务。变化检测的一个关键考虑因素是必须精确地共同配准图像以避免因未对齐而导致的错误。一个重要的考虑是，一些大地震会产生非常复杂的地表扭曲；因此，无法准确记录特定地震前后记录的一对图像。在这项研究中，我们打算识别未共同注册的图像之间的变化。建议的程序基于相位相关的使用，它在变化和未变化的区域显示不同的模式。对相位相关特性的仔细研究表明，它对图像之间的未对准具有鲁棒性。然而，之前的研究表明，在没有变化的区域，相位相关中的信号功率不是集中在单个分量上，而是集中在几个分量上。因此，我们研究了 l1 正则化逻辑回归分类器的性能，以识别相位相关的相关成分，并学习检测未变化和变化的区域。为此，进行了一项经验评估，包括识别与 2018 年印度尼西亚苏拉威西地震海啸相对应的事前和事后图像之间的变化。中分辨率的可见光和近红外 (VNIR) 光谱带对用于计算相位相关性以设置特征空间。基于相位相关的特征空间由 484 个特征组成。我们使用通过目视检查 0.5 米分辨率的光学图像执行的损坏清单来评估所提出的程序。第三方提供了所引用的广告资源。由于中等分辨率图像的限制，损坏清单中的不同损坏级别合并为一个二进制类：“已更改”和“未更改”。结果表明，所提出的程序有效地复制了 85 ± 6% 的损坏清单。此外，我们的结果确定了以前无法通过目视检查确定的海啸影响区域。基于相位相关的特征空间由 484 个特征组成。我们使用通过目视检查 0.5 米分辨率的光学图像执行的损坏清单来评估所提出的程序。第三方提供了所引用的广告资源。由于中等分辨率图像的限制，损坏清单中的不同损坏级别合并为一个二进制类：“已更改”和“未更改”。结果表明，所提出的程序有效地复制了 85 ± 6% 的损坏清单。此外，我们的结果确定了以前无法通过目视检查确定的海啸影响区域。基于相位相关的特征空间由 484 个特征组成。我们使用通过目视检查 0.5 米分辨率的光学图像执行的损坏清单来评估所提出的程序。第三方提供了所引用的广告资源。由于中等分辨率图像的限制，损坏清单中的不同损坏级别合并为一个二进制类：“已更改”和“未更改”。结果表明，所提出的程序有效地复制了 85 ± 6% 的损坏清单。此外，我们的结果确定了以前无法通过目视检查确定的海啸影响区域。由于中等分辨率图像的限制，损坏清单中的不同损坏级别合并为一个二进制类：“已更改”和“未更改”。结果表明，所提出的程序有效地复制了 85 ± 6% 的损坏清单。此外，我们的结果确定了以前无法通过目视检查确定的海啸影响区域。由于中等分辨率图像的限制，损坏清单中的不同损坏级别合并为一个二进制类：“已更改”和“未更改”。结果表明，所提出的程序有效地复制了 85 ± 6% 的损坏清单。此外，我们的结果确定了以前无法通过目视检查确定的海啸影响区域。