• Canonical Correlation Analysis
• Change Detection
• Joint Signal Subspace Identification
• Maximum Autocorrelation Factor
• Multivariate Alteration Detection
• Rare vectors

In questo lavoro di tesi è stato affrontato il problema della Change Detection (CD) in immagini iperspettrali. Per CD si intende il processo attraverso cui è possibile rivelare i cambiamenti che occorrono tra due immagini raffiguranti la stessa scena, acquisite in tempi diversi. Il processo di CD può essere scisso in due fasi, una di pre-elaborazione ed una di effettiva valutazione dei cambiamenti. La fase di pre-elaborazione è necessaria per correggere le eventuali differenze radiometriche e gli eventuali disallineamenti tra le immagini ed è utile per applicare trasformazioni capaci di migliorare le prestazioni dei rivelatori e diminuire i tempi di elaborazione. La fase successiva si basa sull’applicazione di algoritmi di rivelazione che permettono di individuare i cambiamenti occorsi nella scena.
Il lavoro si è concentrato in particolare sull’analisi di due tecniche di pre-processing dei dati e di tre algoritmi di rivelazione. Per prima cosa è stato approfondito il Multivariate Alteration Detection (MAD), considerando anche la sua estensione iterativa e la post-elaborazione tramite Maximum Autocorrelation Factor (MAF). Il MAD è una tecnica per l’estrazione di feature, volta ad enfatizzare e sintetizzare i cambiamenti, in particolare quelli spazialmente estesi. In un secondo momento è stato analizzato un metodo di riduzione della dimensionalità per dati iperspettrali multi-temporali. Esso si basa sull’individuazione di un sottospazio su cui proiettare i dati che contenga la maggior parte del loro contenuto informativo. Tale sottospazio è stimato sulla base di entrambe le immagini coinvolte nel processo di CD. Da tale metodo discendono due tecniche di riduzione della dimensionalità: la Joint Signal Subspace Identification Algorithm (JSSIA) e la Joint Signal Subspace Identification Algorithm – Rare Vectors (JSSIA-RV). A questo punto sono stati analizzati due algoritmi di rivelazione denominati Simple Difference (SD) e Combined Vector (CV), derivati nel quadro più ampio della teoria della decisione statistica, ed un algoritmo di rivelazione di tipo deterministico denominato Spectral Angle Mapper (SAM). Tutti e tre gli algoritmi sono poi stati riformulati al fine di tener conto della tecnica Local Co-Registration Adjustment (LCRA) per la riduzione degli effetti degradanti legati al disallineamento residuo fra le immagini.
Le tecniche e gli algoritmi proposti sono stati applicati ad immagini reali ed i risultati ottenuti sono stati analizzati, mettendo in luce i punti di forza e di debolezza dei vari metodi. In particolare, laddove disponibile la maschera di verità dei bersagli, sono state valutate le prestazioni degli algoritmi di CD presi in esame, analizzando l’impatto che hanno sulle stesse le varie tecniche di pre-processing studiate.