Change Detection

Change Detection ist eine Computer-Vision-Technik zur Identifizierung bedeutsamer Unterschiede zwischen Beobachtungen derselben Szene, die zu unterschiedlichen Zeitpunkten aufgenommen wurden. Statt nur zu fragen, was in einem Bild zu sehen ist, wird gefragt, was erschienen, verschwunden, gewandert, gewachsen, geschrumpft ist oder seinen Zustand verändert hat. Ein System vergleicht dabei möglicherweise zwei Fotografien, aufeinanderfolgende Video-Frames oder eine längere Zeitreihe. Das Ergebnis kann eine binäre Veränderungskarte, markierte Regionen, veränderte Objekte oder Messungen wie die Fläche neu überschwemmten Landes sein.

So funktioniert Change Detection#

Ein typischer Arbeitsablauf beginnt mit zwei oder mehr Bildern desselben Bereichs. Die bitemporale Change Detection vergleicht zwei Zeitpunkte, während die multitemporale Change Detection eine Sequenz analysiert, um isolierte Ereignisse von schrittweisen Trends zu unterscheiden.

Vor dem Vergleich müssen die Bilder kompatibel gemacht werden:

1. Ausrichtung: Die Image registration platziert korrespondierende Szenenpunkte auf denselben Pixelkoordinaten. Andernfalls kann schon eine geringe Kamerabewegung falsche Kanten um jedes Objekt erzeugen.
2. Normalisierung: Helligkeit, Farbe, atmosphärische Bedingungen und Sensorantworten werden angepasst. Bei der Satellitenanalyse verbessern surface reflectance products den Vergleich, indem sie atmosphärische Effekte reduzieren.
3. Repräsentation: Das System vergleicht rohe Pixel, extrahierte visuelle Merkmale, erkannte Objekte oder Segmentierungsmasken. Eine einfache Methode kann OpenCV absolute image differences nutzen, während angelernte Modelle semantische Veränderungen trotz geringfügiger Beleuchtungs- oder Perspektivenunterschiede erkennen können.
4. Entscheidung: Ein Schwellenwert trennt bedeutsame Veränderungen von Rauschen. Ähnlichkeitsmaße wie die im scikit-image image metrics API quantifizieren, wie stark sich zwei Beobachtungen voneinander unterscheiden.
5. Nachbearbeitung: Kleine isolierte Erkennungen können entfernt, benachbarte Pixel zu Regionen zusammengefasst und den Änderungen Labels wie „neues Gebäude“ oder „fehlendes Bauteil“ zugewiesen werden.

Die minimale erkennbare Veränderung ist die kleinste Modifikation, die ein System zuverlässig von Sensorrauschen, Registrierungsfehlern und normalen Schwankungen trennen kann. Sie hängt von der Bildauflösung, der Objektgröße, dem Kontrast, der Vorverarbeitungsqualität und dem gewählten Schwellenwert ab.

Verwandte Konzepte und wesentliche Unterscheidungen#

Change Detection überschneidet sich mit mehreren Vision-Aufgaben, aber jede beantwortet eine andere Fragestellung:

• Anomaly detection identifiziert Beobachtungen, die von einer gelernten Definition des Normalzustands abweichen, manchmal unter Verwendung nur eines einzigen Bildes. Change Detection erfordert hingegen einen zeitlichen oder Basislinien-Vergleich und impliziert nicht zwangsläufig, dass die Änderung anomal ist.
• Object detection lokalisiert und klassifiziert Objekte unabhängig voneinander in jedem Bild. Der Vergleich von Erkennungen über verschiedene Daten hinweg kann hinzugefügte oder entfernte Objekte aufdecken.
• Image segmentation weist Labels auf Pixelebene zu. Change Detection kann Segmentierungsmasken vergleichen, um veränderte Formen oder Flächen präzise zu messen.
• Object tracking bewahrt die Identität von Objekten über Video-Frames hinweg und legt den Schwerpunkt auf Bewegung und Trajektorien. Change Detection konzentriert sich üblicherweise auf Änderungen des Szeneninhalts oder -zustands, die über Minuten, Monate oder Jahre hinweg auftreten können.
• Data drift beschreibt Veränderungen in der statistischen Verteilung von Produktionsdaten. Sie betrifft die Modellzuverlässigkeit, während sich die visuelle Change Detection mit Unterschieden innerhalb beobachteter Szenen befasst.

Praxisanwendungen#

Erdbeobachtung und Schadensbewertung: Analysten vergleichen Satellitenbilder, um Entwaldung, urbane Ausdehnung, Küstenveränderungen, Waldbrandschäden oder Überschwemmungen zu kartieren. Satellite image analysis kombiniert möglicherweise multispektrale Daten mit Segmentierung, um jede veränderte Region zu klassifizieren. Die USGS Earthshots collection veranschaulicht, wie Vorher-Nachher-Landsat-Bilder Umweltransformationen aufzeigen, während die NASA einen praktischen log-difference change detection workflow bereitstellt. Langfristige Programme wie NOAA Coastal Land Cover and Change wandeln diese Vergleiche in Informationen für die Hochwasserplanung und das Küstenmanagement um.

Industrielle Inspektion: Eine feste Kamera kann eine Baugruppe vor und nach einem Produktionsschritt vergleichen. Die Erkennung kann eine fehlende Schraube oder ein neu platziertes Bauteil aufdecken, während die Segmentierung einen Riss oder eine beschädigte Oberfläche messen kann. In der automatisierten manufacturing visual inspection kann eine unentdeckte Änderung dazu führen, dass ein fehlerhaftes Produkt weitergeleitet wird, während Fehlalarme unnötige Linienstopps und manuelle Prüfungen verursachen können.

Change Detection mit Ultralytics YOLO#

Ultralytics YOLO kann die semantische Wahrnehmungsstufe einer Change-Detection-Pipeline bereitstellen. Beispielsweise kann ein benutzerdefiniertes YOLO26 Segmentierungsmodell registrierte Vorher-Nachher-Bilder über den YOLO predict mode verarbeiten:

from ultralytics import YOLO

# Load a segmentation model trained for relevant objects or regions
model = YOLO("yolo26n-seg.pt")

# Run inference on an aligned image pair
sources = ["before.jpg", "after.jpg"]
results = model(sources)

# Save semantic predictions for comparison
output_names = ["before_predictions.jpg", "after_predictions.jpg"]

for result, output_name in zip(results, output_names, strict=True):
    result.save(filename=output_name)

Dieser Arbeitsablauf erzeugt Objektmasken und Labels für jede Beobachtung. Eine nachgelagerte Anwendung kann korrespondierende Klassen abgleichen und deren Vorhandensein, Position oder Maskenfläche vergleichen. Für spezialisierte Kategorien können Teams gepaarte Bilddaten annotieren, benutzerdefinierte Modelle trainieren und die Bereitstellung über die Ultralytics Platform verwalten.

Praktische Herausforderungen und Best Practices#

Zuverlässige Change Detection erfordert mehr als das Subtrahieren von Bildern. Kamerabewegungen, Schatten, saisonale Vegetation, Spiegelungen, Wolken und Verdeckungen können wie echte Veränderungen wirken. Teams sollten Blickwinkel und Sensoreinstellungen konsistent halten, Bilder vor dem Vergleich registrieren, mit repräsentativen „Keine-Änderung“-Variationen trainieren und Schwellenwerte anhand von Validierungsdaten auswählen.

Die Evaluierung sollte sowohl falsch positive Ergebnisse (wie Schatten, die als strukturelle Änderungen eingestuft werden) als auch falsch negative Ergebnisse (wie übersehene kleine Defekte) messen. Das passende Gleichgewicht hängt von den Konsequenzen ab: Katastrophenkartierungen priorisieren möglicherweise den Recall, während eine hochvolumige Inspektionslinie eine strengere Präzision erfordern kann, um übermäßige Alarme zu vermeiden. Die manuelle Überprüfung bleibt für mehrdeutige oder folgenreiche Ergebnisse wertvoll.