摘  要： 主要介紹了變化檢測(cè)的基本理論。首先簡(jiǎn)述和分析了遙感圖像變化檢測(cè)的基本概念，指出變化檢測(cè)的本質(zhì)是一類模式分類問題；然后全面回顧了現(xiàn)有變化檢測(cè)方法，將其歸納為像素級(jí)、特征級(jí)和目標(biāo)級(jí)三大類，詳細(xì)論述了各種方法的基本原理和特點(diǎn)并對(duì)其適用范圍和優(yōu)缺點(diǎn)進(jìn)行了總結(jié)。
關(guān)鍵詞： 遙感圖像；變化檢測(cè)；像素級(jí)；特征級(jí)；目標(biāo)級(jí)

　隨著空間科學(xué)技術(shù)的迅猛發(fā)展，遙感圖像獲取技術(shù)也呈現(xiàn)出三多（多傳感器、多平臺(tái)、多角度）和三高（高空間分辨率、高光譜分辨率、高時(shí)間分辨率）的特點(diǎn)[1]。遙感衛(wèi)星獲取的圖像的空間分辨率從幾米提高到1 m以下，時(shí)間分辨率也由幾十天提高到1天，從而每天都可以獲取海量的遙感圖像數(shù)據(jù)，實(shí)現(xiàn)了遙感數(shù)據(jù)長(zhǎng)周期積累。如何從這些遙感圖像中檢測(cè)出變化信息已成為遙感應(yīng)用領(lǐng)域中的一個(gè)重要研究方向，即遙感圖像變化檢測(cè)技術(shù)。它是指從不同時(shí)期的遙感圖像中，定量地分析和確定地物變化的特征和過程的技術(shù)[2]。
1 變化檢測(cè)基本概念及分析
　變化檢測(cè)問題可以分為以下幾種情況：有無變化、哪些地方有變化、感興趣的是哪些地方的變化、感興趣的變化區(qū)域是什么樣子。
　遙感圖像變化檢測(cè)以地物為研究對(duì)象，包括自然地物和人造地物。地物特性的改變，例如地物的消失、出現(xiàn)、結(jié)構(gòu)的改變等都會(huì)引起遙感圖像的變化。除了這些因素引起圖像變化，太陽光照射角、大氣條件、傳感器精度、土壤濕度狀況和物候周期特性等因素都會(huì)多多少少引起遙感圖像變化。通常稱這類因素為干擾。在變化檢測(cè)前需要對(duì)遙感圖像進(jìn)行預(yù)處理，使干擾因素對(duì)變化檢測(cè)的影響降到最小。
　遙感圖像變化檢測(cè)問題本質(zhì)上是一類模式分類問題，即將通過某種方式獲得的差異圖像分為變化和未變化兩大類。進(jìn)行模式分類首先要對(duì)待識(shí)別樣本進(jìn)行特征提取。而在變化檢測(cè)中常用到的灰度差值圖像、灰度比值圖像、主成分差值圖像以及紋理差值圖像等都可以看成不同的特征圖像。其次根據(jù)特征進(jìn)行分類。如果只提取了一種特征來進(jìn)行分類，就需要確定閾值，而利用多種特征進(jìn)行分類則需要采用綜合評(píng)判的理論。盡管有大量的文獻(xiàn)對(duì)閾值問題進(jìn)行了討論，但是確定閾值仍然是一個(gè)非常難的問題。究其原因有兩點(diǎn)：（1）地物的變化不是非此即彼的，往往是一個(gè)漸變的過程；（2）不確定性因素的干擾使閾值的確定更加困難。在實(shí)際操作中，往往需要通過先驗(yàn)知識(shí)或?qū)σ阎獦颖具M(jìn)行訓(xùn)練來為閾值的確定提供依據(jù)。顯然只利用一種特征進(jìn)行變化檢測(cè)是不可靠的，利用多種特征進(jìn)行綜合評(píng)判可以提高變化檢測(cè)的準(zhǔn)確度[3]。
2 變化檢測(cè)的主要方法
　遙感圖像變化檢測(cè)方法有很多，許多文章從不同角度對(duì)這些方法進(jìn)行了分類。本文從圖像處理抽象等級(jí)的角度將遙感圖像變化檢測(cè)方法分為像素級(jí)、特征級(jí)和目標(biāo)級(jí)3個(gè)類別。
2.1 像素級(jí)變化檢測(cè)
?。?）圖像差值法
　圖像差值法是最簡(jiǎn)單的也是目前應(yīng)用最廣泛的圖像變化檢測(cè)方法。它的基本原理是對(duì)多時(shí)相圖像對(duì)應(yīng)像素的灰度值進(jìn)行相減。圖像差值法基本算法如下：首先對(duì)已配準(zhǔn)的兩幅圖像對(duì)應(yīng)點(diǎn)像素值相減，生成一幅差值圖像如式（1）；然后對(duì)差值結(jié)果進(jìn)行數(shù)理統(tǒng)計(jì)，包括計(jì)算差值圖像的均值和標(biāo)準(zhǔn)差等。如果差值圖像灰度值滿足式（2）就認(rèn)為像素發(fā)生變化，保留該像素值，否則該像素點(diǎn)置零，得到一幅只包含變化信息的圖像。


2.2 特征級(jí)變化檢測(cè)
?。?）基于紋理特征的變化檢測(cè)
　紋理可定義為在視場(chǎng)范圍內(nèi)的灰度分布模式GLD（Gray Level Distribution）。紋理一方面反映了圖像的灰度統(tǒng)計(jì)信息，另一方面反映圖像的結(jié)構(gòu)信息和空間分布信息，是對(duì)圖像空間上下文信息的描述。常用的紋理表達(dá)和描述的方法有：統(tǒng)計(jì)法、結(jié)構(gòu)法和頻譜法。統(tǒng)計(jì)法中包括基于灰度共生矩陣的紋理描述符、基于共生矩陣的紋理描述符和基于能量的紋理描述符。頻譜法中包括傅里葉頻譜、貝塞爾-傅里葉頻譜和Gabor頻譜。變化檢測(cè)的目的是能自動(dòng)區(qū)分出變化區(qū)域與不變區(qū)域，而利用紋理特征進(jìn)行變化檢測(cè)選取的特征要與所感興趣的目標(biāo)區(qū)域的地物覆蓋特性息息相關(guān)，這樣才能檢測(cè)到感興趣的變化?；叶裙采仃嚝@得了較多專家的認(rèn)可，同時(shí)也取得了較高的檢測(cè)正確率。耿忠對(duì)單波段的高分辨率遙感圖像采用了灰度共生矩陣的方法解算兩時(shí)相圖像上目標(biāo)區(qū)域的紋理特征，并將其作為判斷圖像變化的一個(gè)權(quán)重因子[5]；劉小洲利用灰度共生矩陣對(duì)機(jī)場(chǎng)區(qū)域進(jìn)行了變化檢測(cè)[6]；陳志鵬在灰度共生矩陣的基礎(chǔ)上計(jì)算出對(duì)比度、紋理方差、共生和方差、共生和均值等一系列參數(shù)對(duì)城區(qū)的SAR圖像進(jìn)行了變化檢測(cè)，并取得了滿意的檢測(cè)結(jié)果[7]?；诩y理特征變化檢測(cè)的不足之處是難以解釋變化信息，也不能提供變化類別信息，需要通過人工設(shè)定閾值確定變化區(qū)域。
?。?）基于邊緣特征的變化檢測(cè)
　利用遙感圖像邊緣特征進(jìn)行變化檢測(cè)有兩種方式：①用各種邊緣檢測(cè)算子提取出邊緣特征，然后對(duì)這些檢測(cè)到的邊緣特征進(jìn)行處理和分析，最后判斷是否變化。其中常用的邊緣檢測(cè)算子是Canny算子，因?yàn)樗軝z測(cè)到更加連續(xù)、細(xì)致的邊緣，參考文獻(xiàn)[8]采用的就是Canny算子。②用一種合適的特征描述邊緣，通過比較特征間的相似性進(jìn)行變化檢測(cè)，最常用的是ET（Edge Tag）方法。它是基于生物視覺原理利用多向Gabor函數(shù)從圖像梯度強(qiáng)度圖中提取的邊緣結(jié)構(gòu)信息。ET法通過比較圖像ET的相關(guān)性實(shí)現(xiàn)變化檢測(cè)。參考文獻(xiàn)[3]和[4]都采用了這種方法作變化檢測(cè)。參考文獻(xiàn)[3]首先通過利用Canny算子提取兩時(shí)相遙感圖像的邊緣特征生成邊緣檢測(cè)圖，然后差分邊緣檢測(cè)圖利用緩沖區(qū)檢驗(yàn)法進(jìn)行變化檢測(cè)，即把某一時(shí)相遙感圖像作為基準(zhǔn)圖像對(duì)其上的邊緣檢測(cè)特征S以一定的緩沖距離構(gòu)造緩沖區(qū)，以此緩沖區(qū)為范圍對(duì)另一時(shí)相的數(shù)據(jù)進(jìn)行變化檢測(cè)，通過判斷兩者的關(guān)系以確定變化檢測(cè)的結(jié)果。參考文獻(xiàn)[4]通過分析ET法，結(jié)合區(qū)域生長(zhǎng)技術(shù)，提出一種改進(jìn)的ET算法。實(shí)驗(yàn)結(jié)果表明改進(jìn)算法對(duì)光照變化和配準(zhǔn)噪聲具有一定的魯棒性，同時(shí)邊緣結(jié)構(gòu)信息的完整性和連續(xù)性以及算法的計(jì)算效率都有所提高。這種方法的不足之處是自動(dòng)化程度不高，需要在人工干預(yù)下設(shè)定算法的參數(shù)和判決閾值。
?。?）基于矩特征的變化檢測(cè)
　圖像的矩特征具有平移、旋轉(zhuǎn)、縮放不變性，因此基于矩特征的遙感圖像變化檢測(cè)具有對(duì)光照、噪聲的穩(wěn)健性。參考文獻(xiàn)[9]首先分析了Gaussian-Hermite矩和Circular shift矩的優(yōu)缺點(diǎn)，其中Gaussian-Hermite矩是正交矩，疊加了高斯平滑，但是計(jì)算量大；Circular shift矩具有光照不敏感性，但是它不是正交矩，還具有分塊效應(yīng)。然后將Gaussian-Hermite矩和Circular shift矩相結(jié)合，采用由粗到精的策略，應(yīng)用到遙感圖像的變化檢測(cè)中，并同前兩種方法進(jìn)行了比較。實(shí)驗(yàn)表明改進(jìn)的方法計(jì)算量小，對(duì)噪聲、光照具有魯棒性。這種方法不足之處是難以解釋變化信息，也不能提供變化類別信息，需要通過人工設(shè)定閾值確定變化區(qū)域。
2.3 目標(biāo)級(jí)變化檢測(cè)
　隨著遙感圖像空間分辨率的提高，反映在遙感圖像上的地物的幾何和結(jié)構(gòu)信息更加細(xì)膩，變化檢測(cè)也逐漸向小尺度發(fā)展。傳統(tǒng)的像素級(jí)變化檢測(cè)方法不適用于高分辨率遙感圖像，目標(biāo)級(jí)變化檢測(cè)逐漸成為研究的熱點(diǎn)[10]。目標(biāo)級(jí)變化檢測(cè)的最主要的特點(diǎn)是將圖像看成多個(gè)具有語義信息的對(duì)象的組合，然后將這些對(duì)象作為變化檢測(cè)的基本處理單元[11]。而像素級(jí)變化檢測(cè)是將圖像中的每個(gè)像素作為變化檢測(cè)基本處理單元。實(shí)際上，人類視覺系統(tǒng)在觀察兩幅圖像之間的變化時(shí)，也不是逐個(gè)像素進(jìn)行比較，而是先把整幅圖像分成一個(gè)個(gè)對(duì)象再加以比較。因此，從生理學(xué)的角度來講，目標(biāo)級(jí)的方法也更適合變化檢測(cè)[12]。目標(biāo)級(jí)變化檢測(cè)大致可以分為以下兩類：
?。?）基于圖像分割的方法
　這種方法首先對(duì)圖像進(jìn)行分割，通過圖像分割得到的同質(zhì)區(qū)域不僅具有光譜統(tǒng)計(jì)特征還有紋理特征、大小特征和形狀特征等屬性信息，可以綜合利用這些屬性信息進(jìn)行變化判決。參考文獻(xiàn)[13]提出一種基于區(qū)域的變化檢測(cè)方法。首先對(duì)兩時(shí)相圖像分別進(jìn)行分割，每幅圖像分割得到若干個(gè)區(qū)域，再對(duì)分割出來的小區(qū)域進(jìn)行合并，使兩幅圖像最終獲得對(duì)應(yīng)相同的區(qū)域分割塊。綜合考慮分割區(qū)域的均值特征和熵特征，并定義了一個(gè)特征向量，基于此特征向量選取合適的閾值來確定變化區(qū)域。參考文獻(xiàn)[14]采用目標(biāo)和特征空間融合的方法進(jìn)行變化檢測(cè)，其處理流程是首先對(duì)已配準(zhǔn)的同一地區(qū)多時(shí)相遙感圖像進(jìn)行分割，然后提取分割后每個(gè)圖像塊的光譜統(tǒng)計(jì)特征、紋理特征和其他的一些重要特征，建立特征空間函數(shù)，通過比較特征空間函數(shù)進(jìn)行變化檢測(cè)。參考文獻(xiàn)[15]針對(duì)高分辨率遙感圖像提出了一種基于目標(biāo)特征的非監(jiān)督變化檢測(cè)和分類方法，其處理流程是首先對(duì)遙感圖像進(jìn)行圖像分割，然后提取目標(biāo)特征，采用多變量檢測(cè)和最大自相關(guān)因子變換進(jìn)行變化檢測(cè)。
?。?）基于目標(biāo)檢測(cè)的方法
　基于目標(biāo)檢測(cè)的方法一般是結(jié)合光譜和幾何信息先從圖像中檢測(cè)到目標(biāo)，然后進(jìn)行比較分析。參考文獻(xiàn)[16]提出了一種基于統(tǒng)計(jì)光譜異常檢測(cè)子和競(jìng)爭(zhēng)區(qū)域增長(zhǎng)算法檢測(cè)目標(biāo)的方法。最后通過比較兩幅圖像中檢測(cè)到的目標(biāo)生成變化圖。參考文獻(xiàn)[17]提出一種基于聚類的目標(biāo)檢測(cè)和變化檢測(cè)方法。劉煒提出了一種基于輪廓提取和概率模型的建筑物變化檢測(cè)算法[18]，首先利用概率模型進(jìn)行建筑物的輪廓提取，然后計(jì)算相應(yīng)建筑物的變化概率值判斷是否發(fā)生變化。蘇娟對(duì)目標(biāo)級(jí)的變化檢測(cè)方法做了大量研究[19-20]。參考文獻(xiàn)[19]提出一種基于目標(biāo)檢測(cè)并對(duì)配準(zhǔn)誤差魯棒的變化檢測(cè)方法，與傳統(tǒng)方法相比，該算法在很大程度上降低了變化檢測(cè)對(duì)圖像配準(zhǔn)準(zhǔn)確度的要求，而且也降低了不同時(shí)相輻射差異和噪聲的影響，得到了良好的檢測(cè)結(jié)果。參考文獻(xiàn)[20]提出一種基于目標(biāo)匹配的目標(biāo)級(jí)遙感圖像變化檢測(cè)方法，它可直接作用于兩幅未經(jīng)配準(zhǔn)的多時(shí)相遙感圖像，能同時(shí)實(shí)現(xiàn)多時(shí)相遙感圖像的配準(zhǔn)與變化檢測(cè)。

　變化檢測(cè)的各種方法之間并不是嚴(yán)格區(qū)分的，各有優(yōu)缺點(diǎn)且每種方法都有適用范圍。像素級(jí)變化檢測(cè)直接在原始圖像上進(jìn)行變化檢測(cè)，是比較常用和成熟的方法。部分遙感圖像處理軟件都嵌入了基于像素級(jí)的變化檢測(cè)模塊，它們?cè)诨谥械头直媛蔬b感圖像的資源環(huán)境監(jiān)測(cè)領(lǐng)域取得了許多成功的應(yīng)用。但像素級(jí)變化檢測(cè)精度受到以下3個(gè)主要因素的影響：輻射差異、配準(zhǔn)誤差和閾值的選取，當(dāng)分析對(duì)象為大幅高分辨率遙感圖像時(shí)影響更為嚴(yán)重；而且像素級(jí)變化檢測(cè)結(jié)果過于破碎，難以對(duì)其進(jìn)行進(jìn)一步的分析與描述。特征級(jí)變化檢測(cè)是從原始圖像中提取特征進(jìn)行分析和檢測(cè)，主要用于有特殊邊緣特征和區(qū)域特征的地物的變化檢測(cè)，檢測(cè)精度受上述3個(gè)因素的影響比較小，適合于高分辨率遙感圖像的變化檢測(cè)。但特征級(jí)變化檢測(cè)用于定性檢測(cè)居多，且自動(dòng)化程度較低，算法中的一些參數(shù)需要人工設(shè)置。目標(biāo)級(jí)別變化檢測(cè)層次最高，主要檢測(cè)具有一定概念意義的對(duì)象的變化，且可以綜合考慮對(duì)象的光譜統(tǒng)計(jì)特征、紋理特征和其他特征進(jìn)行變化判決，檢測(cè)結(jié)果可以直接應(yīng)用，代表了高分辨率遙感圖像變化檢測(cè)的主要發(fā)展方向。但目標(biāo)級(jí)變化檢測(cè)受圖像分割和目標(biāo)檢測(cè)算法準(zhǔn)確性的制約。因此在實(shí)際應(yīng)用中究竟選擇哪種方法主要看應(yīng)用的領(lǐng)域和用戶的具體需求，這也是進(jìn)行變化檢測(cè)時(shí)需要注意的方面。
參考文獻(xiàn)
[1] 李德仁.利用遙感影像進(jìn)行變化檢測(cè)[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版）（特刊），2003（28）：7-11.
[2] 鐘家強(qiáng).基于多時(shí)相遙感圖像的變化檢測(cè)[D].長(zhǎng)沙：國(guó)防科技大學(xué)，2005.
[3] 吳宏明.基于結(jié)構(gòu)信息的港口艦船目標(biāo)變化檢測(cè)[D]．長(zhǎng)沙：國(guó)防科技大學(xué)，2008.
[4] 房自立.基于結(jié)構(gòu)信息的多時(shí)相遙感圖變化檢測(cè)方法研究[D]．長(zhǎng)沙：國(guó)防科技大學(xué)，2006.
[5] 耿忠.面向單波段高分辨率遙感影像的人工目標(biāo)變化檢測(cè)技術(shù)研究[J].地理信息世界，2007（6）：38-39.
[6] 劉小洲.高分辨率遙感圖像的變化檢測(cè)技術(shù)研究[D].長(zhǎng)沙：國(guó)防科技大學(xué)，2007.
[7] 陳志鵬.基于紋理特征的差值變化檢測(cè)方法研究[D].北京：中國(guó)科學(xué)院研究生院，2002.
[8] 方圣輝，佃袁勇，李微.基于邊緣特征的變化檢測(cè)方法研究[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2005，20（5）：135-138.
[9] 沈澍，吳秀清.基于矩的圖像變化檢測(cè)[J].計(jì)算機(jī)仿真，2008，25（7）：208-212
[10] Huo Chunlei， Zhou Zhixin， Lu Hanqing. Fast Object-Level Change Detection for VHR Images[J]. IEEE Geoscience and Remote Sensing Letters， 2010，7（1）： 118-122.
[11] NIEMEYER I， NUSSBAUM S， CANTY M J.  Automation of change detection procedures for nuclear safeguards-related monitoring purposes[C]. IGARSS′05 Proceeding， IEEE International， 2005： 2133-2136.
[12] 霍春雷，程健，盧漢清，等.基于多尺度融合的對(duì)象級(jí)變化檢測(cè)新方法[J].自動(dòng)化學(xué)報(bào)，2008，34（3）：251-257.
[13] BRUZZONE L， FERNANDEZ D．An adaptive parcel-based technique for unsupervised change detection[J]．International Journal of Remote Sensing， 2000，21（4）： 817-822．
[14] VIJAYARAJ V， CHARLES G O′HARA， GUNNAR A O， et al. Object and Feature-Space Fusion and Information Mining for Change Detection[J]. IEEE International， 2005， 5（5）：131-135.
[15] NIEMEYER I， NUSSBAUM S. Change detection using the object features[J]. IEEE International， 2007（7）： 2374-2377.
[16] HAZEL G. Object level change detection in spectral imagery[J]. IEEE Transactions on Geoscience and Remote Sensing， 2001， 39（3）： 553-561.
[17] MARK J， CARLOTTO A. Cluster-Based Approach for Detecting Man-Made Objects and Changes in Imagery[J].IEEE Transactions on Geoscience And Remote Sensing，2005，43（2）：374-387.
[18] 劉煒.基于概率模型的高分辨率衛(wèi)星圖像建筑物識(shí)別及變化檢測(cè)[D]．北京：中國(guó)科學(xué)院自動(dòng)化研究所，2005.
[19] 蘇娟，劉代志.一種目標(biāo)級(jí)的遙感圖像變化檢測(cè)算法[J].光子學(xué)報(bào)，2007，36（9）：1764-1768.
[20] 蘇娟，林行剛，劉代志.基于目標(biāo)匹配的遙感圖像變化檢測(cè)方法[J].清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2007，47（10）：1610-1613.