作者：王超,石爱业,陈嘉琪
出版社：人民邮电出版社
格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT
高分辨率遥感影像变化检测试读：
前言
自从人类进入利用遥感影像对地观测的时代以来，土地覆盖变化检测始终是促进遥感影像处理技术不断发展的主要动力之一。特别是随着城市化进程的不断加快，及时、有效地监测土地覆盖变化，为城市发展规划、土地资源管理、突发灾害应急响应等职能部门提供关键的决策支持信息和数据是十分必要的。
近年来，遥感影像呈现出精细化应用的发展趋势。高空间分辨率遥感影像能够提供更加丰富而细致的变化信息，而多时相遥感数据的获取手段也日趋多样化，因此，基于多时相高分辨率遥感影像的变化检测及相关的影像配准、分割、目标识别等技术受到了人们广泛的关注。尽管如此，空间分辨率的提高也给变化检测带来了新的挑战，例如，对配准误差、混合像元等干扰因素更加敏感，突出的“同谱异物”及“同物异谱”现象等。这些因素导致当传统针对中、低分辨率的变化检测方法直接应用于高分辨率遥感影像变化检测时往往达不到高精度检测的目标，同时也对变化检测过程中涉及的影像配准等相关技术的处理精度提出了更高的要求。因此，为实现高精度的高分辨率遥感影像变化检测，不仅需要有效的变化检测方法，还需要高效的几何配准、影像分割等相关技术。
针对高分辨率遥感影像的变化检测，目前，国内外研究机构和学者已经开展了广泛的模型与算法的研究，取得了许多宝贵的研究成果，提供了大量的优秀文献。尽管如此，目前，系统地介绍高分辨率遥感影像变化检测及相关技术理论、方法和应用的书籍非常少，即便是已有的书籍，视角也大都局限于变化检测方法本身，而对变化检测所涉及的相关技术缺少全面和系统的介绍，这使许多初涉该领域的学者和工程技术人员学习起来相当困难，不利于进一步深入地进行变化检测的研究和应用。为此，作者在总结多年高分辨率遥感影像变化检测及相关技术研究工作的基础上，综合国内外研究机构和学者的研究成果编写成本书。
本书系统地介绍了高分辨率遥感影像变化检测及相关处理技术的有关概念、原理和方法，共分为10章。第1章主要介绍高分辨率遥感影像变化检测方法研究现状、意义及应用。第2~10章主要介绍作者提出的高分辨率遥感影像变化检测及相关技术，主要包括基于小波变换及改进JSEG与归一化互信息的高分辨率遥感影像配准技术、基于尺度参数自适应WJSEG的高分辨率遥感影像非监督分割技术、对象置信度指引下的高分辨率遥感影像分割技术、基于可靠卡方检验的非监督高分辨率遥感影像变化检测技术、结合空间约束卡方变换与马尔可夫模型的高分辨率遥感影像变化检测技术、结合FCM与D-S证据理论的高分辨率遥感影像变化检测技术、基于多尺度融合的对象级高分辨率遥感影像变化检测技术、一种对象级高分辨率SAR影像洪水灾害变化检测技术以及结合LGDF-ACM模型的高分辨率SAR变化检测技术。
本书是在国家自然科学基金项目“联合多源震后高分遥感影像的建筑物震害特征建模与识别”（61601229）、江苏省自然科学基金项目“基于分形属性剖面和主动学习的高分辨率遥感影像城市建筑物变化检测”（BK20160966）、江苏省高校自然科学研究面上项目“基于仿蝇视觉机制的高分辨率遥感影像变化检测研究”（16KJB510022）及江苏省高等学校优势学科项目资助的基础上完成的，其研究内容为高分辨率遥感影像变化检测中所涉及的新技术、新方向。
本书第1~4、8、9章由王超编写，第5~7章由石爱业、王超编写，第10章由陈嘉琪、王超编写，全书由王超、石爱业统稿。
最后，向所有参考文献的作者及为本书出版付出辛勤劳动的同志们表示衷心的感谢！同时，特别感谢徐立中在本书编写过程中给予的帮助。
鉴于作者水平有限，书中难免有缺点和不完善之处，还望广大读者批评指正。王超2018年1月第1章 绪论
近40年来，随着航空航天遥感技术的飞速发展，海量的多时相遥感影像为监测区域乃至全球的土地覆盖变化提供了重要的数据来源［1-2］。
特别是随着以SPOT 5、QuickBird、IKONOS等为代表的米级、亚米级高分辨率遥感影像的广泛应用，利用高分辨率遥感影像进行及时、有效的土地覆盖变化检测，已经在城市发展动态监测、土地资源规划、突发灾害处置等重大国防及民生领域中发挥着不可替代的关键
［3］作用。1.1 遥感影像变化检测的基本概念
土地覆盖是指人造目标与自然地物所构成的地表要素的综合体，是地表自然状况的反映。所谓多时相遥感影像的土地覆盖变化检测，其实质是利用同一地区不同时相的多幅遥感影像，监测和分析该地区地物变化信息的过程，即通过在不同时期观察某一对象或现象，识别［4］它们不同状态的过程。
在不同时相、相同地区的遥感影像中，光谱的变化能够反映不同地物类型的变化是利用遥感影像进行变化检测的前提之一，这是由不同类型地物通常具有不同的光谱反射特性所决定的。另外，光照差异、视角差异、不同传感器间的差异、噪声、阴影等干扰因素必须小于地［5］物发生的真实变化，这也是实现准确变化检测的基本前提之一。一般来说，广义的变化检测即判断某一地物是否发生了变化，最终获得发生变化的区域，即确定“变与不变”，这是变化检测研究的基础［6］与核心。在此基础上，可以进一步判别变化的性质，即确定“由［6］什么变成什么”以及变化类型，即确定“变化的过程”。1.2 变化检测的基本流程及相关技术［5］
变化检测的基本工作流程主要包括：数据选择，即根据研究目的选择合适的遥感影像；影像预处理，主要涉及几何配准技术、辐射校正技术等；特征提取，即提取目标的特征以比较目标在不同时相间的差异；变化检测，即检测合适的特征对象在多时相影像中是否发生了变化；精度评价，即利用目视分析、精度指标等手段对检测结果进行评价。变化检测的基本工作流程如图1.1所示。图1.1 变化检测的基本工作流程1.2.1 多时相遥感影像数据选择
根据研究目的选择合适的多时相遥感影像数据是开展变化检测的［6］基础和前提。高分辨率遥感影像带来了更加丰富的空间信息，相较于中、低分辨率遥感影像，其能够更好地反映地物的光谱、纹理、形状等细节特征，同时具有定位精度高、实时性强、对比度高等诸多优点。近年来，国际上出现了以高分辨率遥感数据为背景的地理空间信息服务的软件和网站，使高分辨率影像数据正在成为社会公众所熟［7］悉和接受的主流空间信息。
目前，变化检测采用的高分辨率遥感影像主要包括航空遥感影像、合成孔径雷达（SAR，Synthetic Aperture Radar）卫星遥感影像、光学卫星遥感影像等，根据研究目的合理选择不同传感器类型的遥感影像是数据选择的重要内容。例如，航空遥感影像通常具有1 m以内的空间分辨率，还具有可读性强、信息量丰富、应用范围广等优点，但是在变化检测中较光学卫星遥感影像更容易受到几何配准、阴影、［8］噪声以及气象条件等因素的影响。SAR卫星遥感影像具有全天候、穿透力强等优点，能够在极端天气条件下获取可靠的观测数据，但成像机理的固有局限导致的相干斑噪声使SAR卫星遥感影像变化检测较［9］光学卫星遥感影像面临更多的挑战。另外，应尽量选择采集时刻接近、季节相同的多时相遥感影像，以减少太阳高度角、物候条件等［10］因素造成的影响。同时，还应尽量选择辐射分辨率相同的遥感影像，而大气环境、光照差异、云层遮盖等也是需要考虑的因素［11］。此外，遥感影像的时间分辨率也是需要考虑的因素。一般认为，遥感影像采集间隔为3~4年才能较为准确地反映土地覆盖变化。但随着人类活动进程的不断加快，往往需要更高的时间分辨率（即更［12］短的时间间隔）。1.2.2 影像预处理
由于遥感系统的信息获取会受到太阳高度角、光照差异、云层遮盖、大气的吸收与散射、传感器高度与姿态角等因素的影响，因此在变化检测之前需要进行合理有效的影像预处理过程，主要包括辐射校正、几何配准、影像镶嵌、影像增强、影像裁剪等。其中，辐射校正［13］与几何配准对变化检测精度影响最大。
1. 辐射校正
辐射校正是对遥感影像成像过程中由于辐射差异造成的影像畸变进行校正或消除的过程。造成辐射差异的主要原因包括传感器系统的［14］非正常工作、大气衰减引起的吸收及散射率变化等。辐射校正［15］又分为相对辐射校正和绝对辐射校正。相对辐射校正是指通过计算多时相影像间的灰度线性变换关系，并以参考影像修改待配准影像的灰度统计特征，使多时相影像具有趋于一致的光谱特征。绝对辐射校正是针对单一时相影像，使校正后的灰度统计特征能够真实反映地物的光谱特征。目前，很多学者已经针对变化检测中的辐射校正取得了一定的研究成果，且已经证明：绝对辐射校正并不会显著提高变化检测精度，而相对辐射校正可以满足大多数变化检测应用的要求［16］。因此，辐射校正不作为本书的重点内容。
2. 几何配准
作为变化检测中重要的预处理过程，几何配准就是通过选择合适的相似性度量，对同一场景中2幅或多幅不同时相、不同视角的影像进行对应和匹配的过程。实质上，配准就是将2幅或多幅多时相影像变换到相同的坐标系下，然后使用一种像素间坐标转换的映射函数，来纠正待配准影像相较于参考影像的位移或几何形变等。通常情况下，多时相影像几何配准由4个要素组成，即特征空间、相似性度量、搜［17-20］索空间以及搜索策略。（1）特征空间
特征空间用于描述待配准像素所具有的特性，以达到匹配像素间具有高度相似性而非匹配像素间具有较大差异性的目的。特征空间可以是由灰度值构成的一维特征空间；也可以是由光谱、纹理、结构特征等构成的多维特征空间，如灰度共生矩阵（GLCM，Gray-Level Co-occurrence Matrix）、分形属性（FP，Fractal Property）等；还可以是统计特征，如中心点、矩形不变量等。（2）相似性度量
顾名思义，相似性度量就是基于构建的特征空间，评价某个待配准像素与参考影像像素间匹配程度的一种度量标准。所构建的特征空间与相似性度量应能够反映影像的本质结构，从而在一系列的处理中具有不变性。常见的相似性度量包括相关系数、各种距离（欧氏距离、马氏距离等）、相位相关、结构自相似性（SSIM，Structure Similarity）等。（3）搜索空间
搜索空间是待配准特征与参考特征之间建立对应关系的候选变换集合，即某个待配准像素在参考影像中寻找匹配像素时所对应的搜索范围。
搜索空间的构建应当依据待配准影像相对于参考影像间的成像畸变类型与强度。例如，若影像间只存在线性变换关系，则采用二维搜索空间（水平、垂直方向）即可；若存在旋转，则需要考虑加入旋转因子；若存在缩放，则必须加上比例因子。（4）搜索策略
搜索策略是依据特征空间及相似性度量来确定匹配点对的计算方式，一般还会指出搜索的范围及路径。常用的搜索方法有穷尽搜索、线性规划、启发式搜索等。
低精度的几何配准往往会造成变化检测结果中存在大量无意义的［21］“伪变化”信息。几何配准的效果通常与2个因素有关：待配准影像的空间分辨率和感兴趣目标的结构特征。尤其在高分辨率遥感影［22］像配准中，Dai等的研究成果表明，遥感影像的空间分辨率越高，配准误差对变化检测精度的影响越大。因此，高分辨率遥感影像的几何配准技术是本书的重点研究内容之一。1.2.3 特征提取
在进行特征提取时，应选择某种地物区别于其他地物的独有特征，这些特征包括目标的灰度特征、纹理特征、形状特征、语义信息等。在具体应用中，为提高检测精度，通常应选择多种特征组成的特征向量，并且使变化区域的特征向量在长度或方向上有足够大的差异，而未变化区域则具有一致的方向或长度的特征向量。
像素级的变化检测方法以像素作为特征提取的基本单位，而对象级变化检测方法主要是利用属于特定对象的独有特征来描述复杂的地理空间信息，如几何形状、纹理特征等，而不是专注于孤立的像素［23-24］。因此，对象级变化检测方法还包括影像分割这一关键步骤，也是本书的重点研究内容之一。1.2.4 变化检测
变化检测是通过选择合适的方法，利用提取的特征检测多时相影像间的变化信息。国内外的许多研究机构和学者已开始研究该课题，目前，国际上处于领先地位的主要有意大利特兰托大学（University of Trento）Lorenzo Bruzzone教授及Francesca Bovolo教授领导的遥［25-26］感实验室团队等。本书第1.3节将从3个不同角度对高分辨率遥感影像变化检测的国内外研究现状进行综述。在此基础上，本书第1.4节将着重讨论对象级变化检测的发展现状。1.2.5 精度评价
像素级变化检测中常用的精度指标可以通过计算灰度误差矩阵获得，主要包括总体精度（Overall Accuracy）、误检率（Miss ［27］Detection Rate）、漏检率（False Alarm Rate）、Kappa系数等。其中，总体精度是指正确的样本在总体样本中所占的比例，Kappa系［28］数则能够综合反映变化检测方法的精度。Biging等的研究表明，基于像素的精度评估往往低于基于对象的精度评估，但计算复杂度更高。另外，对象级变化检测方法为评估对象的大小、形状以及边界范［29-30］围等特征的不同变化等级提供了可能。1.3 高分辨率遥感影像变化检测国内外研究现状
目前，遥感影像的变化检测问题已经成为一个非常活跃的研究课题，如美国国家地理空间智能研究所，意大利特兰托大学，新加坡国立大学，中国的中国科学院遥感所、武汉大学、北京师范大学等机构都在开展相关方面的研究和应用开发，并取得了诸多成果。目前，人们已经就变化检测预处理对变化检测的重要性达成共识，如辐射归一［31-32］化、影像配准等。本节将从3个不同角度对现有的变化检测方法予以分析和归纳。1.3.1 监督与非监督变化检测
按照变化检测过程中是否需要人工干预，可以将变化检测划分为［33］2类：监督变化检测和非监督变化检测。
非监督变化检测一般先构造差分影像，进而再依据预先设定的阈值将差分影像划分为变化和未变化区域。传统的非监督变化检测方法主要有算术运算法、CVA法及其改进方法、主成分分析（PCA，［34-38］Principle Component Analysis）法、影像回归法等。该类方法的核心是阈值的选择，针对此，国内外一些学者提出许多有效的方法，［39］主要有试错法、最大类间方差法、Stack滤波器法、双窗口变步
［40］［41］长法、Bayes最小误差决策法、基于“爬山法”的系统级搜［42］索法等。另有一些学者在差值影像的分割基础上，将变化检测问题转换为变化和未变化的2个类别问题，并借助模式识别方法实现［43］最终的变化检测。上述传统的变化检测方法大多是基于像素的方法，适用于中、低分辨率遥感影像，且这些方法都是暗含像素在空间上具有独立性的假设。针对高分辨率影像，由于其结构、纹理等信息更加突出，因此，将像素的上下文关系考虑到影像的变化检测中是合理的。这一类检测方法的关键点是如何选择合适的方法将空间特征知识融合起来，以提高变化检测的可靠性和有效性，代表性的方法主［44-45］［46］要有证据理论法、统计建模法、信息测度法、多尺度分［47-49］［50］析法、聚类法等。这些检测方法虽然对传统的变化检测方法进行了改进，但其所面临的辐射差异、配准误差以及差分影像的阈值选取问题依然存在。从另外一个角度看，传统的检测方法及其改进的方法，在本质上均属于基于像元光谱统计的处理方式，其效率及其获得的结果信息都是十分有限的，且处理结果往往会存在许多小斑块，难以对其分析和描述。因此，面向对象的高分辨率遥感变化检测［50-51］方法正越来越多地受到关注，这是因为面向对象的变化检测更有利于知识的结合利用，也更能有效地利用高分辨率影像所具有的多特征优势。总之，非监督变化检测方法及其改进方法的优点是比较直观、不需要先验信息，但是该类方法也存在诸多局限性，例如，变化阈值的确定比较困难、不能够提供变化的类型、解译和标记变化检测图比较困难等。此外，辐射校正和几何校正结果的精度对检测效果有着明显的影响。
为了克服非监督变化检测方法的不足，可以采用监督变化检测方法。该类方法需要检测区域的先验信息，主要分为分类后比较法、直［52-56］接多时相分类法、差值影像分类法3类。其中，该类方法的核心是分类方法的选择。由于高分辨率遥感影像噪声和类别的高度扩展使分类问题特别复杂，因此，需要采用顽健的、非线性的分类器。其中，具有代表性的是基于SVM分类的变化检测方法以及相关的改进［57-58］方法。该类方法的优点是可以直接获取变化的类型、数量和位置，且能回避所用多时相数据因获取季节不同和传感器不同所带来的归一化问题。但该类方法存在如下2个缺点：首先，无法检测出存在某一种地物内部的细微变化；其次，分类器的精度高低直接影响变化检测的精度。另外，如何收集和选择合适的训练样本，也是这类方法必须考虑的因素。
上述变化检测方法在特定的领域中都取得了一定的效果。然而，由于影像的正射校正、视差效果等会导致影像空间上的非连续性，而采用多源数据空间上的融合可以改善这种情况，但是会产生非线性时［59］间效应。针对该问题，已有学者开展了相关的研究，但是所采用的方法也是基于像素的研究方法，不利于知识的结合利用。另外，在面向对象的常规变化检测中，特征的抽取仅仅局限于空域，没有考虑联合空域和频域特征的抽取，从而更好地描述高分辨率影像的内在特征。1.3.2 数据源不同的变化检测
除了按照是否需要人工干预进行划分外，还可以根据采用数据源的不同将变化检测划分为4类，分别是基于高分辨率光学遥感影像的方法、基于SAR影像的方法、基于高程数据的方法、基于多源数据的方法。其中，基于高程数据的方法主要面向城市场景下建筑物的变化检测。为便于分析和比较不同数据源的优缺点，本节均围绕建筑物变化检测的国内外研究现状展开讨论。
1. 基于高分辨率光学遥感影像的方法［45］
袁修孝等利用Gabor滤波器抽取建筑物的纹理特征，然后利用散度作为变化类与未变化类的可分性依据有效提取了变化信息，并进一步对检测结果中由于投影差造成的“伪变化”进行了判别。［47］Gueguen等利用高帽（Top-Hat）变换并结合水平集的分割方法［10］对海地地震后国内难民营的数量进行了检测。Bruzzone等从建筑物形态学指数（MBI）、光谱信息、形状特征3个方面对建筑变化信息进行描述。在此基础上，利用变化建筑物与其对应区域的光谱变化的相关性作为另一个判别依据。最后，利用形状特征对检测结果进行后置滤波，以消除噪声、狭窄道路等形状不规则的对象造成的“伪变［60］化”。Tang等进一步利用MBI，提出了一种具有容错性的高分辨率遥感影像建筑物变化检测方法。该方法主要包括2个步骤：利用MBI和Harris角点检测用于标识建筑物的兴趣点；多时相建筑物兴趣点匹配以及容错变化检测。该方法对不同成像条件下造成的建筑物几［51］何差异不敏感，但能够显著降低虚警率。李炜明等提出了一种基于多种类型影像特征的匹配方法来提取无变化建筑的顶部区域，结合几何约束引入了变化盲区的概念以处理高层建筑在不同视角和光照［46］下影像不同的现象。Benedek等在概率统计框架下，整合建筑物的抽取和变化检测，并应用多生灭动态优化技术对多时相航空遥感影像进行建筑物的变化检测。该方法实现了基于多时相的标记点处理，同时利用时间层和目标层的建筑物描述的低层变化信息，区分变化和未变化的建筑物。他们采用的建筑物特征有局部梯度方面密度、房顶彩色滤波和阴影推理、房顶的同质性等。
尽管如此，基于高分辨率光学影像的变化检测方法仅利用了二维信息，对建筑物材料腐蚀、视角差异造成的形状改变和建筑物高度、阴影以及辐射吸收等造成的光谱差异产生了“伪变化”，顽健性较差。
2. 基于SAR影像的方法
SAR影像根据其成像原理，具有对大气环境变化、光照条件差异不敏感的优点，因而在变化检测过程中能够有效减少云层遮盖、建筑［41］物阴影等干扰因素的影响。例如，Marin等提出了一种基于超高分辨率SAR影像的地震前后建筑物损毁变化检测方法，该方法包括3个步骤：建筑物描述的最佳尺度选择；最佳尺度下基于高帽变换的变化信息提取；根据预期的建筑物后向散射属性提取新增加的以及已经完全损毁的建筑。该方法能够准确识别地震后损毁的建筑物，同时虚［61］警率较低。浮瑶瑶等为解决高分辨率SAR影像变化检测中的语义信息缺失问题，提出了一种基于词包模型的变化检测与分析方法。［62］Gong等针对SAR影像相干斑噪声对变化检测的影响，提出了一种基于模糊聚类和改进的MRF相结合的变化检测方法。
与此同时，超高分辨率SAR影像的高复杂度、固有相干斑噪声以及实际应用中大尺寸影像下方法的时效性问题，都是SAR影像建筑物变化检测必须面对的挑战。
3. 基于高程数据的方法
为了改善仅利用光学遥感影像的二维信息所存在的不足，一些学［63］者提出了引入高程信息作为第三维度的变化检测方法。Jung等提出了一种利用多时相航空遥感立体对（Stereo Pair）的两步建筑物检测方法，首先利用数字高程模型（DEM，Digital Elevation Model）消除场景中没有变化的区域，然后再利用立体对进行变化检测。Teo［64］等提出了基于多时相内插值替换后的激光雷达数据建筑物检测方法，同时通过对城市场景的几何学分析判断变化的类型，检测精度可达80%。三维地形数据可以通过立体影像匹配或直接从激光雷达数据中获得，能够提供建筑物的高度信息，这是判断建筑物是否变化的重要指标。针对遥感影像中可能存在与建筑物具有相似光谱特征的其［65］他人造目标（如道路、桥梁等）所造成的干扰，Tian等基于立体影像以及数字地表模型（DSM，Digital Surface Model）提出了一种建筑物变化检测方法。首先利用建筑物的高度信息以及相对熵的相似性度量对变化信息进行描述，提出了基于D-S证据理论的融合策略。在此基础上，通过分类进一步提取变化区域中的植被与阴影区域，并将其视为非建筑物变化类，从而实现检测结果的精炼。尽管引入高程数据有助于增加建筑物与非建筑物的类间可分性，但高程信息获取过程中存在的不可避免的测量误差会在后续变化检测过程中造成误差累积，从而对变化检测精度造成显著影响，降低了方法的可靠性。
4. 基于多源数据的方法
另外，还有一些学者提出了采用异源数据进行变化检测的思路。［66］张永梅等提出了一种基于全色影像与SAR影像的建筑物识别及变化检测方法。首先利用Ratio梯度与交叉累积剩余熵对多时相全色影像和SAR影像进行配准。在此基础上，综合建筑物的形状、分布、阴影等特征以及光学遥感影像和SAR影像的成像机理差异，提出了基于知识的建筑物识别规则。最后采用比值法获得最终变化检测结果。［67］郝明等利用震前GIS数据在震后遥感影像中确定建筑物位置，进而提出了一种利用改进主动轮廓方法和马尔可夫随机场模型探测震害建筑物的方法。该方法采用主动轮廓模型提取建筑物所在区域，对地震前后建筑物的形状特征进行相似性描述，进而采用双阈值法获取初步的震害建筑物探测结果。最后，通过引入距离权重的马尔可夫随机场建立建筑物之间的空间关系模型，对不确定区域进行二次判别，进［68］一步提高了探测精度及方法稳定性。Hermosilla等提出了一种基于高分辨率光学影像和LIDAR影像的建筑物检测方法，综合利用LIDAR影像提取的建筑物高程信息，并结合光学影像中的植被光谱信息确定双阈值以提取建筑物所在区域，最后通过形态学开闭运算平滑［69］影像获得最终检测结果。Malpica等提出的变化检测方法则利用SVM联合LIDAR影像和光学遥感影像进行建筑物提取，其中SVM的训练样本直接从现有地理空间的矢量数据库中获得。这种方法尤其适用于存在大量被高大树丛包围的低矮或小尺寸建筑物的变化检测应用场景。尽管多源数据能够提供更加丰富的信息，但同时也对影像配准问题及从不同类型数据源中选择合适的特征提出了更高的要求。另一方面，在很多应用场景中，同一地区的异源数据获取的代价通常比较高昂。1.3.3 直接比较与先分析后比较的变化检测方法
1. 直接比较法
直接比较法是指通过直接比较像素或各种特征（包括变换后的特征以及基于对象的特征）间的差异来提取变化区域的检测方法。直接比较法又可分为代数运算法和变换法。（1）代数运算法
代数运算法主要包括影像差值法、影像比值法、变化矢量分析（CVA，Change Vector Analysis）法等。
①影像差值法。影像差值法基于配准结果，直接使双时相影像中像素的灰度值相减获得差值影像。通常，差值影像中的灰度值接近高斯分布，变化区域的灰度值接近高斯曲线的尾部，而未变化区域的灰［70］度值分布于高斯曲线的峰值附近。如Weismiller等采用影像差分［70］法在美国得克萨斯州的海岸环境监测中取得了良好的效果。
影像差值法直观且容易解译，但对季节变化、太阳高度角不同等造成的灰度差异非常敏感，这不仅增加了误检率，还对配准精度提出了较高的要求。
②影像比值法。影像比值法基于配准结果，直接使双时相影像中的灰度值相除。在理想情况下，变化区域的结果为非1，而未变化区域的结果为1，影像比值法适用于提取某些特殊地物的变化信息。
影像比值法较差值法能够消除一些太阳高度角、地形等引起的乘性误差，但比值结果通常不服从高斯分布，因而给进一步分析造成了困难。
③变化矢量分析法。变化矢量分析法是将多光谱影像各个波段作为一个个光谱分量，从而构成一个维数与波段数相同的矢量空间来描述多光谱影像。矢量空间的每个点都对应表示影像中的每一个像素，且点的坐标即该像素的灰度值。因此，每个像素都可被表示为具有一定强度与方向的变化矢量。
变化矢量分析法通过差值影像获得变化矢量，其中，变化矢量的内容由方向表示，变化矢量的方向由欧氏距离表示。CVA方法计算简单，能够充分利用多波段所包含的光谱信息来检测变化区域，尤其适用于多光谱影像的变化检测。在CVA方法的基础上，Bruzzone等［71］提出了一种改进的CVA-EM方法，该方法利用最大期望（EM，Expectation Maximum）方法求解混合密度函数，从而实现非监督下变化与未变化阈值的自动确定。（2）变换法
变换法主要包括主成分分析（PCA）法以及穗帽变换（Kautlr-Thomas Transformation）法等。
①主成分分析法。主成分分析法是基于统计特征的多波段正交线性变换，通过计算多光谱影像各个波段间协方差矩阵来获得特征向量与特征值，从而获得变换矩阵，经过变换后的波段称为主成分［72］。在特征域中主成分之间正交但不相关，能量主要集中于前几个主成分中，随后的主成分信息量逐渐减少。因此，主成分分析法能够实现分离影像中的变化信息、减少数据冗余以及突出不同种类地物［73］的目的。例如，邓劲松等利用主成分分析法增强了影像中的光谱变化信息，利用高分辨率SPOT 5影像实现了高精度的城市土地利用变化检测。
主成分分析法能够消除各波段间的相关性，实现信息集中及数据压缩的目的，是目前常见的遥感数据分析方法之一。但与此同时，主成分变换过程会破坏原始影像中的物理光谱信息，因此，在进一步的处理中难以确定各主成分所代表的含义。
②穗帽变换法。为了克服主成分分析法在去除波段相关性的同时，不同类型传感器遥感影像提取的主成分之间存在难以比较的问题，［74］Kauth等在研究农作物和植被的生长过程时提出了一种特殊的主成分分析法，即穗帽变换法。经过穗帽变换会产生4个分量，分别是绿度指数（Greenness Index）、黄度指数（Yellowness Index）、土壤亮度指数（Soil Brightness Index）和噪声（Non-Such）。随着植被的生长，当植被密度逐渐增大时，土壤亮度指数将逐渐变小，而绿度指数正好相反。据此，基于不同时相影像的穗帽变换指数可以利用差值法、比值法等实现对植被覆盖的变化检测。
穗帽变换的转换系数是固定的，因此，其适用于多源遥感影像的变化检测。但穗帽变换仅对植被覆盖的变化信息敏感，而对其他类型的变化检测精度不高，这限制了其应用范围。
2. 先分析后比较法
先分析后比较法主要可分为分类后比较法以及对象级变化检测法2类。（1）分类后比较法
分类后比较法是指首先对单一时相影像中的地物进行分类，并根［75］据分类结果获得发生变化的区域及类型。例如，Volpi等针对高分辨率遥感影像变化检测，提出了一种基于上下文信息及SVM的检测方法。该方法采用统计学与形态学方法提取局部区域的空间及纹理信息，利用SVM实现了单一时相影像中的准确分类，并通过差分影像确定发生变化的区域及类型。除分别对单一时相影像进行分类外，有学者提出将多时相影像合成为单一时相的多光谱影像，再进行分类及变化检测。例如，利用综合水体指数、归一化植被指数（NDVI，Normalized Difference Vegetation Index）等作为输入数据，采用监督［76-77］［78］［79］或非监督分类、决策树、面向对象、光谱匹配方法［80］［81］［82］进行分类，或采用主成分分析、傅里叶变换等处理后分类的检测方法，在大范围土地覆盖分类及变化检测中取得了良好的效果。
采用先分类后比较法能够克服因地面环境、季节、传感器类型等因素变化给变化检测造成的困难，因此，应用非常广泛。另一方面，尽管目前影像分类技术已较为成熟，但分类过程中每一处错误分类都会导致变化检测中漏检或误检的发生。因此，先分类后比较法通常会夸大实际变化。（2）对象级变化检测法
近年来，高性能计算机系统的不断发展和各种高效影像分割、特征提取方法的不断涌现，极大地促进了基于格栅的遥感影像处理与基于矢量的地理信息系统（GIS，Geographic Information System）的无［83］缝集成。这些进展也同时促进了遥感影像变化检测方法从像素级的变化检测向对象级的变化检测转变。面向对象的分析技术采用影像格栅作为数据源，能以任意尺度生成包含丰富属性信息地理对象的影像。对象级变化检测方法结合了空间信息、光谱信息、地理信息以及先验知识等进行地理实体建模，并以对象作为影像分析的基本单［84］元，实现了基于对象的特征提取与变化检测。对象级变化检测的一个显著特点是通过分割（2个或更多）输入的遥感影像来提取有意义的地理对象，这与变化检测提出时的概念即利用变化检测来识别观察到的“对象或现象”的不同状态是一致的。因此，在传统变化检测工作流程的基础上，对象级变化检测的工作流程可进一步阐述为数据选择、影像预处理、对象提取、基于对象的变化检测与精度评价，如图1.2所示。图1.2 对象级变化检测工作流程
近十几年来，对象级变化检测方法获得了学者们的高度关注与深［85-86］入研究，并且已成功应用于高分辨率遥感影像变化检测中。随着遥感影像空间分辨率的不断提高，接下来亟待解决的问题就变成了从一些数据、工具和方法中，寻找解决具体问题的最佳方案。1.4 对象级变化检测1.4.1 对象级变化检测的优势及特性
近30年来，像素级变化检测方法一直是遥感领域重要的研究课题。已有一些综述性的文献深入探索了像素级变化检测技术及其相关［87-88］应用。根据这些文献，像素级变化检测依然有很多关键问题有待解决，其中一些与数据质量有关，而另一些则与像素级变化检测方法的性质有关。而对象级变化检测方法为解决这些问题提供了新的途径，尤其适用于高分辨率遥感影像的变化检测，主要体现在以下3个方面。（1）多尺度空间分析
在遥感影像中存在各种不同大小、不同形状的地理对象，没有一［89］种单一的空间分辨率足以描绘它们的全部特征。从像素级变化检测的角度来看，这也意味着很难以一个特定的空间分辨率精确地检［90］测所有类型的地理对象变化。针对这一问题，对象级变化检测可以用不同大小的对象表示场景中的不同景观特征，而组成对象的像素集合都由相同分辨率的像素组成。通过定义对象尺寸的最大值和最小值来提取属于不同地理对象的独有特征，从而提高变化检测精度［91-93］［94］。一个典型的例子是Cleve等提出的一种基于对象的双尺度对象级变化检测方法，即采用小尺度表示房子，而大尺度则用于描述植被斑块，与像素级的变化检测方法相比检测精度提高了18%。（2）减少“伪变化”
高分辨率遥感影像较中、低分辨率遥感影像提供了更加丰富的影像细节信息。另一方面，空间分辨率的提高也造成了同一对象内部在不同时相影像间可能存在显著的光谱差异，也就是“同物异谱”现象，而“同谱异物”现象依然存在，这是导致“伪变化”信息的重要原因。对象级变化检测以具有地理意义的对象为分析的基本单元，能［95］够利用影像中的对象模拟实际的地理实体目标。对象级变化检测在每个地理对象范围内针对这些“伪变化”加以分析和判别，通过引入基于对象的特征以减少甚至彻底消除这些“伪变化”。例如，［96］Zhou等在动态监测城市土地覆盖变化时，特别比较了对象级与像素级变化方法的检测效果，对象级变化检测方法有效减少了地理对象中的“伪变化”，检测精度提高了9%。（3）基于对象的特征提取与变化检测
尽管像素级检测方法能够提取影像的纹理特征，但通常计算的是某一固定尺寸方形窗口内的特征值。而方形窗口特征值的计算会偏向对角线方向，同时窗口所在的区域可能会跨越2个或多个地物的边界［97］。而对象级的变化检测方法能够基于对象的固有轮廓定义窗口的尺寸与形状，进而提取对象的独立特征，如几何形状、纹理特征、［98］背景信息等，从而能够提取复杂的地理空间信息。近年来，大量研究也证明了利用对象特征的有效性，包括城市土地利用变化检测［99］［100］领域、灌木入侵监测领域、红树林生态动力学领域［101］［102］、森林退化监测领域等。另外，基于对象的特征已经被商业遥感软件广泛采用，例如，德国Definiens Imaging公司的eCognition、美国ITT视觉解决方案（VIS，Visual Information Solution）的ENVI EX模块以及美国ERDAS公司的ERDAS IMAGINE Objective模块等。1.4.2 对象级变化检测方法的分类及优缺点比较
近年来，针对高分辨率遥感影像变化检测，国内外学者已提出了许多对象级变化检测方法，主要可以分为4类，分别是“影像/对象”检测方法、“分类/对象”检测方法、“多时相/对象”检测方法、“像素/［103］对象”混合检测方法。下面分别对这4类方法进行阐述和分析，并对各类方法的优缺点进行了比较。（1）“影像/对象”检测方法“影像/对象”检测方法是指在多时相影像中提取统一的对象，并对每个对象在不同时相影像中对应的区域直接进行比较，获得变化检［104］测结果。例如，Miller等提出了一种针对双时相灰度影像间的变化检测方法。该方法首先采用联通性分析（Connectivity Analysis）提取参考影像中的对象，然后根据这些对象在另一时相影像中寻找一一对应的对象，最后采用一种基于位于对象边界的像素间匹配策略判断是否发生了变化。但这种方法没有考虑对象的纹理特征，因此仅适用于输入影像受到噪声干扰较少的应用场合。针对这一问题，Lefebvre［105］等进一步评估了几何特征（如大小、形状、位置等）和基于小波变换的纹理特征在对象级变化检测中的作用。其研究成果表明，对象的轮廓以及纹理特征在亚米级的超高分辨率遥感影像变化检测中能够显著提高检测精度。“影像/对象”检测方法的主要优点是能够直接比较对象且容易实现，是目前最流行的对象级变化检测方法，但也存在着以下局限性［106-107］。
①由于对象的大小和形状是不同的，一个关键的步骤就是在多时相影像中寻找相应的对象。而配准误差及分割误差造成的误差积累，会严重影响变化检测精度。
②“影像/对象”检测方法的另一个局限性是选择合适的变化阈值。由于阈值通常被研究人员直接定义，可能会对检测结果造成偏差。同时，它也存在于基于像素的变化检测中，从而导致变化类或未变化类的阈值都必须定义。（2）“分类/对象”检测方法“影像/对象”检测方法不能表示变化对象的景观变化类型，即“由什么变成什么”，因此，需要加入分类信息。“分类/对象”检测方法是一类通过比较独立分类的多时相影像中的对象来检测景观变化类型的对象级变化检测方法。由于每个对象都属于一个特定的类，因此，对象的比较步骤中不需要再考虑对象光谱和纹理特征等。例如，［108］Durieux等利用基于模糊隶属度函数的分类方法对空间分辨率为22.5 m、覆盖范围为2 512 km的SPOT 5影像进行了分类，通过对建筑［109］物的提取监测了6年间城市的扩张情况。Walter等则评估了使用不同输入特征（光谱特征、植被指数和纹理特征）对分类精度及变化［110］检测精度造成的影响。为了检测军事目标的变化，Hazel等利用不同时相影像间的置信度关联（Association Confidence）提取对象所对应的区域，包括对象质心之间的空间距离、重叠程度以及空间和光［111］谱特征之间的距离等。Li等采用形状相似性度量对湖泊的变化进行了监测。“分类/对象”检测方法不但可以检测变化信息，而且能够直观地表示景观变化的种类。另外，地图或GIS的更新可以直接应用到采用［112］“分类/对象”检测方法的应用场合中。存在的局限主要包括以下2个方面。
①因为很难区分对象的差异是由真正的变化或仅仅是由几何形状不一致引起的，这导致了在涉及GIS的应用场合中，需要对大小、形状和位置等定义一系列的特定规则来比较对象。
②变化检测结果容易受到初步分类过程的影响，而分类精度往往涉及合适的影像分割技术的选择。因此，分割和分类的误差传播是影响“分类/对象”检测方法精度的重要因素。（3）“多时相/对象”检测方法
受光照情况、视角以及气象等因素的影响，不同时间获得的遥感［113］影像很少能够确保以相同的方式捕获地面场景。因此，分割结果中不同时期的影像生成的同一对象，通常在几何形状上发生了改变。“多时相/对象”检测方法利用每个场景具有的多时相状态，而不是单独分割多时相影像。具体来说，其将时间上连续的影像结合起来［114］分割，从而产生了空间上对应的变化对象。Desclée等首次明确提出了一种“多时相/对象”检测方法，能够取得总体精度高于90%、Kappa系数高于0.8的检测精度。该方法利用每个时相影像中所有对象的光谱特征（包括均值和标准差）将一组多时相影像一起分割，最后通过基于卡方检验（Chi-Square Test）的统计分析来区分变［115］化与未变化对象。与对多时相影像一起分割相比，Li等针对高分辨率SAR影像提出了一种新颖的分割模式，首先对第一时相影像进行分割，然后将分割结果作为一个基础层，并导出其衍生层与第二时相影像一起分割。该方法的基本思想是已完成的分割应当指导后续的分割，以应对在多时相影像中可能存在的相同对象边界不一致的情况［115］。
尽管“多时相/对象”检测方法对多时相影像一起分割，有利于保持对象在不同时相影像中大小、形状和位置坐标上的一致性，但同［116］时也存在以下局限。
①在多时相影像中相同位置可能包含了多个不同的对象，但这一问题对分割结果及变化检测精度的影响目前仍不明确。
②结构复杂的对象中丰富的光谱信息对检测结果的影响也有待进一步研究。（4）“像素/对象”混合检测方法“像素/对象”混合检测方法的基本思想是利用成熟的像素级变化检测方法获得初步的变化检测结果，在此基础上，利用面向对象的分［117］析技术获得更好的变化检测结果。例如，Bovolo提出了一种针对高分辨率遥感影像的多尺度对象级变化检测方法。该方法对影像进行多时相、多空间分辨率下的对象建模，进而通过基于对象的空间上下文信息对每一个像素进行多尺度下的变化向量分析，从而提取变化［118］区域，并取得了良好的效果。Civco等在检测森林覆盖变化时，首先利用在像素级方法中采用的差分影像将多时相影像转换为一系列湿润带，在此基础上，利用湿度信息将对象进行分类从而提取变化对［119］象。Niemeyer等采用相似的方法获得了良好的效果，区别在于他们采用的是基于正交的差分影像，而不是传统的影像差分方法。“像素/对象”混合检测方法由于结合了像素级和对象级检测方法各自的优势，能够有效减少噪声对变化检测的影响，且能够准确识别由于对象轮廓不一致造成的“伪变化”。但是，目前仍不清楚采用不同的像素级及对象级方法组合方案会如何影响最终的变化检测结果［120］。1.4.3 对象级变化检测面临的挑战
伴随着遥感空间分辨率的不断提高，实现高精度的对象级变化检测需要高精度的多时相影像配准、分割及高效的变化检测方法［121］。因此，尽管对象级变化检测方法为高分辨率遥感影像变化检测提供了新的发展方向，但仍然存在很多挑战。
①几何配准误差依然是影响对象级变化检测精度的重要因素。高分辨率遥感影像通常足以完整描述个别感兴趣的地理对象，大量存在的“同物异谱”和“同谱异物”现象增加了误匹配的可能。另外，地表高层地物可能产生更加显著的“投影差”，从而改变对象内部或局部区域的灰度分布，也增加了准确的几何配准的难度。霍春雷等［122］对4组中、低分辨率TM影像的研究成果表明，只有当配准精度小于0.2像素时，变化检测方法才能检测到90%的真实地表变化。其中，配准精度是指地面控制点（GCP，Ground Control Point）的均方根误差（RMSE，Root Mean Square Error）。而与中、低分辨率相比，高分辨率遥感影像更加难以产生准确的配准结果，且配准误差对检测精度的影响也更加强烈。
②准确的影像分割是进一步变化检测的基础。为了提取地理对象，需要根据空间和光谱特征以及用户的经验来分割遥感影像。由于高分辨率遥感影像纹理特征更加丰富，尤其在城市场景中存在多样的生态环境与结构复杂的人造目标，这些因素都对地理对象的准确提取造成了困难，而目前大部分针对中、低分辨率遥感影像的传统分割方法已［123］经很难直接应用于高分辨率遥感影像。目前，针对高分辨率遥感影像的分割方法有以下几个发展趋势：多光谱遥感影像分割；不同尺度下的遥感影像分割；针对遥感影像的多特征分割；遥感影像分割的精度和速度要求等。
③由于高分辨率遥感影像对比度更强，这有效地改善了混合像元问题，但“同谱异物”“同物异谱”现象导致的“伪变化”也更加突［124］出。由于对象级变化检测方法以对象为基本的研究单元，因此，如何选择合适的对象特征（如几何形状、光谱特征、纹理特征和背景信息等）并定义有效的判别规则来识别对象的变化信息，是解决这一［125-135］问题的关键。参考文献
［1］ GU W，LV Z，HAO M. Change detection method for remote sensing images based on an improved Markov random field［J］. Multimedia Tools and Applications，2017，76（17）:17719-17734.
［2］ GONG M，ZHAO J，LIU J，et al. Change detection in synthetic aperture radar images based on deep neural networks［J］. IEEE Transactions on Neural Networks and Learning Systems，2016，27（1）:125-138.
［3］ LI X，LING F，FOODY G M，et al. A superresolution land-cover change detection method using remotely sensed images with different spatial resolutions［J］. IEEE Transactions on Geoscience and Remote Sensing，2016，54（7）:3822-3841.
［4］殷守敬，吴传庆，王桥，等.多时相遥感影像变化检测方法研究进展综述［J］.光谱学与光谱分析，2013，33 （12）:3339-3342.
［5］祝锦霞.高分辨率遥感影像变化检测的关键技术研究［D］.杭州：浙江大学，2011.
［6］ WEN D，HUANG X，ZHANG L，et al. A novel automatic change detection method for urban high-resolution remotely sensed imagery based on multiindex scene representation［J］. IEEE Transactions on Geoscience and Remote Sensing，2016，54（1）:609-625.
［7］ ERTÜRK A，IORDACHE M D，PLAZA A. Sparse unmixing-based change detection for multitemporal hyperspectral images［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2016，9（2）:708-719.
［8］钟家强.基于多时相遥感图像的变化检测［D］.长沙：国防科学技术大学，2005.
［9］ VU V T，PETTERSSON M I，MACHADO R，et al. False alarm reduction in wavelength-resolution SAR change detection using adaptive noise canceler［J］. IEEE Transactions on Geoscience and Remote Sensing，2017，55（1）:591-599.
［10］ BRUZZONE L，CARLIN L. A multilevel context-based system for classification of very high spatial resolution images［J］. IEEE Transactions on Geoscience and Remote Sensing，2006，44（9）:2587-2600.
［11］ PHAM M T，MERCIER G，MICHEL J. Change detection between SAR images using a pointwise approach and graph theory［J］. IEEE Transactions on Geoscience and Remote Sensing，2016，54（4）:2020-2032.
［12］ ZHANG H，GONG M，ZHANG P，et al. Feature-level change detection using deep representation and feature change analysis for multispectral imagery［J］. IEEE Geoscience and Remote Sensing Letters，2016，13（11）:1666-1670.
［13］孙晓霞，张继贤，燕琴，等.遥感影像变化检测方法综述及展望［J］.遥感信息，2011（1）:119-123.
［14］李向军.遥感土地利用变化检测方法探讨［D］.北京：中国科学院遥感应用研究所，2006.
［15］徐小芹，沈佳洁，吴友凤，等.航空遥感影像的变化检测［J］.地理空间信息，2011，9（2）:67-68.
［16］申邵洪，谭德宝，梁东业.基于马尔可夫随机场的多时相SAR影像变化检测研究［J］.长江科学院院报，2010，27（1）:49-51.
［17］ BROWN L G. A survey of image registration techniques［J］. ACM Computing Surveys （CSUR），1992，24（4）:325-376.
［18］ ZITOVA B，FLUSSER J. Image registration methods: a survey［J］. Image and Vision Computing，2003，21（11）:977-1000.
［19］ REDDY B S，CHATTERJI B N. An FFT-based technique for translation，rotation，and scale-invariant image registration［J］. IEEE Transactions on Image Processing，1996，5（8）:1266-1271.
试读结束[说明：试读内容隐藏了图片]