摘  要： 主要介紹了變化檢測的基本理論。首先簡述和分析了遙感圖像變化檢測的基本概念，指出變化檢測的本質(zhì)是一類模式分類問題；然后全面回顧了現(xiàn)有變化檢測方法，將其歸納為像素級、特征級和目標(biāo)級三大類，詳細(xì)論述了各種方法的基本原理和特點并對其適用范圍和優(yōu)缺點進(jìn)行了總結(jié)。
關(guān)鍵詞： 遙感圖像；變化檢測；像素級；特征級；目標(biāo)級

　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、多角度）和三高（高空間分辨率、高光譜分辨率、高時間分辨率）的特點[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)，實現(xiàn)了遙感數(shù)據(jù)長周期積累。如何從這些遙感圖像中檢測出變化信息已成為遙感應(yīng)用領(lǐng)域中的一個重要研究方向，即遙感圖像變化檢測技術(shù)。它是指從不同時期的遙感圖像中，定量地分析和確定地物變化的特征和過程的技術(shù)[2]。
1 變化檢測基本概念及分析
　變化檢測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。
　遙感圖像變化檢測以地物為研究對象，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。在變化檢測前需要對遙感圖像進(jìn)行預(yù)處理，使干擾因素對變化檢測的影響降到最小。
　遙感圖像變化檢測問題本質(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待識別樣本進(jìn)行特征提取。而在變化檢測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判的理論。盡管有大量的文獻(xiàn)對閾值問題進(jìn)行了討論，但是確定閾值仍然是一個非常難的問題。究其原因有兩點：（1）地物的變化不是非此即彼的，往往是一個漸變的過程；（2）不確定性因素的干擾使閾值的確定更加困難。在實際操作中，往往需要通過先驗知識或?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)行變化檢測是不可靠的，利用多種特征進(jìn)行綜合評判可以提高變化檢測的準(zhǔn)確度[3]。
2 變化檢測的主要方法
　遙感圖像變化檢測方法有很多，許多文章從不同角度對這些方法進(jìn)行了分類。本文從圖像處理抽象等級的角度將遙感圖像變化檢測方法分為像素級、特征級和目標(biāo)級3個類別。
2.1 像素級變化檢測
?。?）圖像差值法
　圖像差值法是最簡單的也是目前應(yīng)用最廣泛的圖像變化檢測方法。它的基本原理是對多時相圖像對應(yīng)像素的灰度值進(jìn)行相減。圖像差值法基本算法如下：首先對已配準(zhǔn)的兩幅圖像對應(yīng)點像素值相減，生成一幅差值圖像如式（1）；然后對差值結(jié)果進(jìn)行數(shù)理統(tǒng)計，包括計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，否則該像素點置零，得到一幅只包含變化信息的圖像。


2.2 特征級變化檢測
　（1）基于紋理特征的變化檢測
　紋理可定義為在視場范圍內(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)計法、結(jié)構(gòu)法和頻譜法。統(tǒng)計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。變化檢測的目的是能自動區(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)，這樣才能檢測到感興趣的變化?；叶裙采仃嚝@得了較多專家的認(rèn)可，同時也取得了較高的檢測正確率。耿忠對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權(quán)重因子[5]；劉小洲利用灰度共生矩陣對機場區(qū)域進(jìn)行了變化檢測[6]；陳志鵬在灰度共生矩陣的基礎(chǔ)上計算出對比度、紋理方差、共生和方差、共生和均值等一系列參數(shù)對城區(qū)的SAR圖像進(jìn)行了變化檢測，并取得了滿意的檢測結(jié)果[7]?；诩y理特征變化檢測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
　利用遙感圖像邊緣特征進(jìn)行變化檢測有兩種方式：①用各種邊緣檢測算子提取出邊緣特征，然后對這些檢測到的邊緣特征進(jìn)行處理和分析，最后判斷是否變化。其中常用的邊緣檢測算子是Canny算子，因為它能檢測到更加連續(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，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)性實現(xiàn)變化檢測。參考文獻(xiàn)[3]和[4]都采用了這種方法作變化檢測。參考文獻(xiàn)[3]首先通過利用Canny算子提取兩時相遙感圖像的邊緣特征生成邊緣檢測圖，然后差分邊緣檢測圖利用緩沖區(qū)檢驗法進(jìn)行變化檢測，即把某一時相遙感圖像作為基準(zhǔn)圖像對其上的邊緣檢測特征S以一定的緩沖距離構(gòu)造緩沖區(qū)，以此緩沖區(qū)為范圍對另一時相的數(shù)據(jù)進(jìn)行變化檢測，通過判斷兩者的關(guān)系以確定變化檢測的結(jié)果。參考文獻(xiàn)[4]通過分析ET法，結(jié)合區(qū)域生長技術(shù)，提出一種改進(jìn)的ET算法。實驗結(jié)果表明改進(jìn)算法對光照變化和配準(zhǔn)噪聲具有一定的魯棒性，同時邊緣結(jié)構(gòu)信息的完整性和連續(xù)性以及算法的計算效率都有所提高。這種方法的不足之處是自動化程度不高，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
　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具有對光照、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，其中Gaussian-Hermite矩是正交矩，疊加了高斯平滑，但是計算量大；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中，并同前兩種方法進(jìn)行了比較。實驗表明改進(jìn)的方法計算量小，對噪聲、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)級變化檢測
　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，變化檢測也逐漸向小尺度發(fā)展。傳統(tǒng)的像素級變化檢測方法不適用于高分辨率遙感圖像，目標(biāo)級變化檢測逐漸成為研究的熱點[10]。目標(biāo)級變化檢測的最主要的特點是將圖像看成多個具有語義信息的對象的組合，然后將這些對象作為變化檢測的基本處理單元[11]。而像素級變化檢測是將圖像中的每個像素作為變化檢測基本處理單元。實際上，人類視覺系統(tǒng)在觀察兩幅圖像之間的變化時，也不是逐個像素進(jìn)行比較，而是先把整幅圖像分成一個個對象再加以比較。因此，從生理學(xué)的角度來講，目標(biāo)級的方法也更適合變化檢測[12]。目標(biāo)級變化檢測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)域的變化檢測方法。首先對兩時相圖像分別進(jìn)行分割，每幅圖像分割得到若干個區(qū)域，再對分割出來的小區(qū)域進(jìn)行合并，使兩幅圖像最終獲得對應(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，其處理流程是首先對已配準(zhǔn)的同一地區(qū)多時相遙感圖像進(jìn)行分割，然后提取分割后每個圖像塊的光譜統(tǒng)計特征、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。參考文獻(xiàn)[15]針對高分辨率遙感圖像提出了一種基于目標(biāo)特征的非監(jiān)督變化檢測和分類方法，其處理流程是首先對遙感圖像進(jìn)行圖像分割，然后提取目標(biāo)特征，采用多變量檢測和最大自相關(guān)因子變換進(jìn)行變化檢測。
?。?）基于目標(biāo)檢測的方法
　基于目標(biāo)檢測的方法一般是結(jié)合光譜和幾何信息先從圖像中檢測到目標(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)計光譜異常檢測子和競爭區(qū)域增長算法檢測目標(biāo)的方法。最后通過比較兩幅圖像中檢測到的目標(biāo)生成變化圖。參考文獻(xiàn)[17]提出一種基于聚類的目標(biāo)檢測和變化檢測方法。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。蘇娟對目標(biāo)級的變化檢測方法做了大量研究[19-20]。參考文獻(xiàn)[19]提出一種基于目標(biāo)檢測并對配準(zhǔn)誤差魯棒的變化檢測方法，與傳統(tǒng)方法相比，該算法在很大程度上降低了變化檢測對圖像配準(zhǔn)準(zhǔn)確度的要求，而且也降低了不同時相輻射差異和噪聲的影響，得到了良好的檢測結(jié)果。參考文獻(xiàn)[20]提出一種基于目標(biāo)匹配的目標(biāo)級遙感圖像變化檢測方法，它可直接作用于兩幅未經(jīng)配準(zhǔn)的多時相遙感圖像，能同時實現(xiàn)多時相遙感圖像的配準(zhǔn)與變化檢測。

　變化檢測的各種方法之間并不是嚴(yán)格區(qū)分的，各有優(yōu)缺點且每種方法都有適用范圍。像素級變化檢測直接在原始圖像上進(jìn)行變化檢測，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的變化檢測模塊，它們在基于中低分辨率遙感圖像的資源環(huán)境監(jiān)測領(lǐng)域取得了許多成功的應(yīng)用。但像素級變化檢測精度受到以下3個主要因素的影響：輻射差異、配準(zhǔn)誤差和閾值的選取，當(dāng)分析對象為大幅高分辨率遙感圖像時影響更為嚴(yán)重；而且像素級變化檢測結(jié)果過于破碎，難以對其進(jìn)行進(jìn)一步的分析與描述。特征級變化檢測是從原始圖像中提取特征進(jìn)行分析和檢測，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，檢測精度受上述3個因素的影響比較小，適合于高分辨率遙感圖像的變化檢測。但特征級變化檢測用于定性檢測居多，且自動化程度較低，算法中的一些參數(shù)需要人工設(shè)置。目標(biāo)級別變化檢測層次最高，主要檢測具有一定概念意義的對象的變化，且可以綜合考慮對象的光譜統(tǒng)計特征、紋理特征和其他特征進(jìn)行變化判決，檢測結(jié)果可以直接應(yīng)用，代表了高分辨率遙感圖像變化檢測的主要發(fā)展方向。但目標(biāo)級變化檢測受圖像分割和目標(biāo)檢測算法準(zhǔn)確性的制約。因此在實際應(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)行變化檢測時需要注意的方面。
參考文獻(xiàn)
[1] 李德仁.利用遙感影像進(jìn)行變化檢測[J].武漢大學(xué)學(xué)報（信息科學(xué)版）（特刊），2003（28）：7-11.
[2] 鐘家強.基于多時相遙感圖像的變化檢測[D].長沙：國防科技大學(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[D]．長沙：國防科技大學(xué)，2008.
[4] 房自立.基于結(jié)構(gòu)信息的多時相遙感圖變化檢測方法研究[D]．長沙：國防科技大學(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技術(shù)研究[D].長沙：國防科技大學(xué)，2007.
[7] 陳志鵬.基于紋理特征的差值變化檢測方法研究[D].北京：中國科學(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方法研究[J].武漢大學(xué)學(xué)報（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[J].計算機仿真，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象級變化檢測新方法[J].自動化學(xué)報，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)星圖像建筑物識別及變化檢測[D]．北京：中國科學(xué)院自動化研究所，2005.
[19] 蘇娟，劉代志.一種目標(biāo)級的遙感圖像變化檢測算法[J].光子學(xué)報，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方法[J].清華大學(xué)學(xué)報（自然科學(xué)版），2007，47（10）：1610-1613.