面向目标识别的遥感变化检测技术综述

1、引言
遥感变化检测的主要目标是研究地球资源和环境状况的动态变化，分析人类活动对地球环境的影响以及保障国家和社会安全服务。随着各种卫星遥感平台和航空遥感平台技术不断深入发展，各种遥感数据不断积累，各级空间数据库的建立，通过航空和航天遥感，我们不断观测和把握地球的变化，特别是地球表面从宏观到微观的变化，全面记录不同空间尺度和时间尺度的影像。如何从这些遥感影像中提取变化信息成为遥感影像变化检测研究的重要课题。
在国内外近几十年的研究中，总结出了许多基于遥感影像的变化检测方法，并广泛应用于土地覆盖变化研究、数据库更新、环境管理和防灾救灾等方面。随着我国卫星技术的不断发展，各种气象、资源、海洋和环境减灾等系列卫星的成功发射，我国正向航天强国迈进。近年来随着变化检测技术的不断完善和发展，各种变化检测技术软件平台的研发和综合利用各平台进行检测，使得传统检测技术效率低下和误差大等缺点得到了很大的改善，促进了变化检测的自动化进程，提高了检测效率和检测精度。
以世界范围看，随着遥感变化检测技术应用服务的扩展和效益的提高，遥感变化检测技术的应用发展大体可分军事应用、公益应用和商业应用三个层次。军事应用特点是采用高新技术、发展速度快；社会公益应用的特点是政府重视、投资有保证，能实现全国土覆盖；商业应用的特点是面向工农业生产，深入经济建设、社会发展和民众生活的广阔领域，因而有大量企业参与，向着工业化和产业化目标，有广阔的发展前景。
2、变化检测处理流程及常规方法
面向目标识别的变化检测核心和关键是提取变化信息，当前的变化检测方法都是为了有效地从多时相遥感数据中提取出目标的变化信息。依据遥感影像变化检测原理，其工作流程主要包括数据获取、预处理、变化检测和精度评估等步骤，可以用图1来表示。本文依据文献[1][2][3][4]，从算法角度出发，将当前变化检测方法分为基于代数运算、基于变换、基于分类和基于空间结构四类变化检测。在本文的组织中，考虑到与目标识别的高度相关性，我们将后两种方法放在第三章阐述。
2.1基于影像代数运算的变化检测
该类方法的优点是简单、直接，主要包括：图像差分、图像比值、图像回归和植被指数索引等。这类方法的不足是难以确定变化的类别和不能对变化信息进行更加具体的描述。
2.1.1图像差分法[5]
通过计算经过预处理的多时相影像对应像素的差值，产生目标图像与基准图像的差值图像，然后通过适当的阀值选取方法选取阀值，找出检测图像与基准图像差异较大部分，来表示发生变化的区域。此法最为常用和基础，适用于各种地理环境、图像类型和各种波段影像。其阀值的选取是实际应用中的难点，检测精度依赖于配准的精度，通常要求配准精度达到像素或亚像素级别。
2.1.2图像比值法[5]
通过多时相图像“相除”，计算其比值，如果图像没有发生变化，则其对应像素的比值为1，由于实际环境受各种因素的影响，只要其比值在接近1的某个范围（通常是选取大于和小于1两个阀值，这是比值法的关键），我们则认为没有发生变化，如果比值在我们选取的阀值以外，则发生了变化。图像比值法通过计算变化前后两幅图像的比值图像来找出变化区域，对图像的预处理精度要不较高，在实际工作中，我们通常还要对除数加一个很小的不影响结果的常数（除数不能为0）。
2.1.3图像回归法[6]
通过分析多时相影像之间的统计联系，来研究多时相影像之间的相关关系的数量表示，以此来检测多时相影像的变化信息。该方法是用一个线性函数来表示多时相影像像元值之间的关系，通过合适的数学模型（不同的应用目的，其回归模型是不同的）进行回归，然后通过计算回归值与原像元的差值，来获取多时相影像之间的残差图像。同样最后也是通过选取适当的阀值来确定变化区域。
2.1.4植被指数索引法[7]
利用植被对红外波段和近红外波段之间不同的光谱效应（植被对红外的强吸收能力和近红外的强反射能力），通过研究两波段影像数据对应像素的比值（通常是灰度值或灰度值的几何运算之比），来检测植被的变化。最普遍的植被指数法有归一化差分植被索引法(NDVI)和比值植被指数法。利用植被指数法对不同时期植被覆盖状况的敏感性，来研究土地沙漠化和农作物、森林虫灾等。
从以上方法可以看出，基于代数运算的变化检测方法大多需要通过阈值来确定变化区域，稳健有效地门限选择方法是长期的研究热点，非实时需求下常采用交互方法确定门限。
2.2基于影像变换的变化检测
为了减小遥感影像数据之间的冗余信息，我们通常对遥感影像进行变换，以此来增强影像之间的变化信息，以便于识别变化信息。该方法主要包括主分量分析（PCA）、典型相关分析（Canonical）、缨帽变换（K-T）等。
2.2.1主分量分析法(PCA)[8]
为使信息损失减小，同时减少计算量和影像数据处理的复杂程度，主分量分析法将所有的信息压缩到几个特征向量上，主要应用于多个时期的影像集，将多维特征变换到正交特征空间中进行分析。主分量主要从影像数据的协方差矩阵和相关矩阵的特征向量推导而来，定义一个新的正交坐标系统，由这些矩阵的特征向量来定义新坐标系统的坐标轴，利用向量乘积对影像的每个像素进行单独变换，得到新坐标系的坐标值。可将矩阵的特征向量看作新的波段，影像每一个像素的坐标值作为此波段上的亮度值，当感兴趣区域没有显著变化时，影像数据之间的相关性较大，而当感兴趣区域发生了较大的变化时，影像数据之间的相关性减小。
2.2.2典型相关分析法[9]
典型相关分析法是将不同时相的两组多通道影像变换成一组新的多通道影像，以降低原始影像内部通道和不同影像之间的相关性的影响。可以利用该方法的线性不变性，以及对测量设备的增益和线性辐射畸变不敏感等特点，对成像条件有差异的多时相多通道遥感影像进行变化检测。在实际应用中，通过学习样本计算出变换系数，确定变化关系，减小数据冗余，降低多时相影像间的线性相关性。
2.2.3缨帽变换[10]
缨帽变换是为了解决主分量分析法中不同影像的主分量难以相互比较的问题，是基于影像物理特征的固定变换，从而定义四个分量（土壤亮度指数、湿度指数、绿度指数和噪声）。缨帽变换的转换系数是固定的，独立于影像，不同时相的影像产生的亮度和绿度可以互相比较。随着植被的生长，绿度指数上信息量增加，土壤亮度指数上信息量减小，当植被进一步成熟或凋零时则相反。因此，可以对不同时相的影像进行缨帽变换，提取前三个分量进行比较，确定最能描述变化的分量，识别来地物的变化。
3、目标识别任务相关的变化检测技术
3.1目标识别任务与变化检测技术的结合点
遥感图像目标检测与识别[11][12][13]一直是遥感图像处理和模式识别领域研究的热点课题，是建立在模式识别基础上的，其实质是依据目标的形状、面积、周长、长宽比、圆度等，把未知目标判别为一组已知目标集中某一类的过程，主要难题包括：复杂的背景、多种形式的干扰、不断增长的目标机动性和灵活性，主要涉及图像预处理、目标探测、图像分割、特征提取与选择、目标分类识别与目标跟踪等多级步骤。
目标识别处理一般包括特性分析与目标建模，特征提取与学习训练，识别性能评估与方法反馈等。目标识别建模是其中的关键部分，与识别的层次息息相关。从信息的组织形式上，可归纳为三种类型的方法：第一类模型是：目标模板表述模型，直接使用目标识别相关的典型目标数据建立模型，采用相似性度量的模板匹配进行识别。这是早期的方法，对一些简单的应用情况可能是合适的，但其对感知目标输入数据的变化和噪声敏感；第二类模型是：基于数据层的特征矢量表述模型，其使用单层结构的多特征属性组合建立模型，在特征矢量表述模型基础上可以建立形形色色的识别分类方法。这类方法是建立在数据层上的，为获取对分类更有效的特征集，需要组合特征数目少的特征集，通常需要采用合适的特征选择和提取方法。第三类模型是基于元特征的层次结构表述模型。通过对目标数据的分析，可以提取以基础单元的特征，还可以将相连的具有同样属性的特征聚合成特征集，即形成所谓的元特征。例如，图像中的具有相同特性的区域、线段等。这类元特征由多个基础单元构成，是一种更简洁的目标表述单元，由此建立的目标模型将可以表述更多的、更复杂的、不同层次的目标类别。这类方法为基于知识的识别方法提供了信息组织的基础。
依据前述，目标识别任务与变化检测技术存在互相渗透关系，在三个识别层次上均可以找到结合点：第一层次，从背景中发现目标，通常称为目标检测。结合多时相信息，针对热点地区的动态监视任务中，提取变化与非变化，剔除“伪变化”或不感兴趣变化的过程；第二层次，区分目标的类型，通常称为目标分类，进一步的任务有目标鉴别与目标识别。例如，通过多时相掩膜构造，可有效识别移动目标（尤其是时敏目标）的动态情况，随着遥感数据回访周期的缩短，采用多时相或超时相数据可进一步完成某些感兴趣目标的动态特征刻画与跟踪监视任务；第三层次，个体目标的确认通常称为目标确认。随着数据空间分辨率与光谱分辨率的提高，在低层次检测识别的基础上，完成特定目标要素组成变化的精细化分析，例如：军事上的毁伤效果评估任务等。
下面，仍以基础方法为重点，简述面向目标识别任务的变化检测技术。
3.2面向目标识别的变化检测技术
3.2.1基于影像分类的变化检测
利用影像分类对多时相遥感影像进行的变化检测主要包括分类后比较法、同时分类法和人工神经网络法。基于影像分类的方法可以提供变化目标的类别，减少外界干扰因素对变化检测的影响，但其对学习样本的精度要求较高，分类结果对其性能的影响较大。
(1)分类后比较法。[14]分类后比较法是对每个影像进行单独的分类（监督或非监督方法），然后根据相对应位置区域像素类别的差异来检测发生变化的区域。一般情况下为了降低配准误差的影响，通过人工区分模式和形状，利用计算机进行定量分析来进行变化检测。该方法可以确定变化的空间范围和变化信息的性质，但分类方法选择较难，检测精度对影像分类精度的依赖程度较高。
(2)多时相同时分类法。[15]在监督或非监督模式下，利用多个时相的组合影像数据的单个分析来提取变化区域。在监督分类中，由变化区域和不变区域的学习样本来导出统计量，以决定特征空间；在非监督分类中，通过聚类算法来分析影像分类的类别。直接的多时相影像分类法在检测港口和森林区域的变化中，容易得到比较好的结果，同时能够简单地标记变化类别和减少分类的时间。
(3)人工神经网络法。[1]作为非参数的监督方法，是利用人工神经网络的自组织、自适应性强的特点，通过学习不同时相的影像数据样本来估计影像数据的属性和训练网络，利用网络结点间的连接来储存信息和完成分类计算。人工神经网络法的关键是确定神经网络的结构层数（具体包括网络层数的确定、隐含层节点数的确定、初始权值的选择和学习速率的选择。）和选择合适的训练样本。
3.2.2基于影像空间结构的变化检测
基于影像空间结构特征的分析法主要针对人造目标，根据不同影像中人造目标的空间结构信息的变化来实现变化信息的提取。该类方法对于高分辨率影像变化检测方面具有较大的优势，但如何提取特征与分析比较是这类算法的难点。
(1)基于线特征。在基于目标识别的变化检测中使用的线特征主要有两种：基于影像梯度信息的边缘特征和描述目标形状的轮廓特征。基于线特征目标识别的变化检测主要是通过影像的边缘信息来描述地物，然后通过边缘特征的变化感知目标的变化，此法需要稳健的边缘特征提取方法和线匹配方法，对于影像的预处理的精度要求不高，同时比较稳健，对于形状不规则的目标有较好的检测效果。由于此法是通过目标的边缘进行检测，因而对目标变化的细微信息难以准确地描述。
(2)基于空间纹理特征。影像的纹理是影像灰度统计信息、空间分布信息和结构信息的反映，同时也是对影像空间上下文信息的描述，根据描述纹理的方法不同，可以将该方法分为利用梯度描述纹理和利用灰度共生矩阵描述纹理两类。不同的物体有不同的纹理特征，因而它的变化必将引起其纹理发生变化，可以利用其空间纹理的变化来检测目标的变化。目标的变化使其空间纹理也发生了改变，进而通过空间纹理的比较来感知目标的变化，该方法需要选择合适的纹理描述方式，必须根据不同的目标纹理特征选择合适的描述纹理的方法。
4、遥感发展新趋势带来的思考
近年来，变化检测的研究呈现三个特点：应用广泛、数据多元、方法综合。目标识别是对有限感知数据的解释过程，随着感知手段的丰富和能力的提高，随着应用需求的不断深化，正确的、精确的和快速的目标识别需求将日益突出，存在着巨大的发展空间和应用前景，同时也面临理论方法与应用实践的严峻挑战。对目标识别相关的变化检测要求是：自动化、实时化和在轨化。文献[4]指出：目前的变化检测技术，从方法上看主要停留在像元级的数据导引的方法，缺少知识导引的特征级变化检测方法，尚未充分利用新旧影像间的许多关联信息，更缺少自动的变化检测方法；空间数据和识别知识的挖掘方法，处于起步状态，变化检测中较少利用多光谱和高光谱信息。
遥感对地观测的不断发展，带来了更高的空间分辨率、时间分辨率和光谱分辨率，观测平台的多样化使得综合观测、融合识别的趋势明显，即：大小卫星平台的综合、空天平台的综合、技术与应用的综合[12]。这将有效的提升数据的利用潜力和服务于识别任务的检测-鉴别-识别分析能力。
结合目标识别的应用特点，考虑到目前智能计算与自动处理的实际能力，在相关的变化检测研究中，应重点关注如下问题：
一是强调海量数据的快速筛选方法研究。感兴趣目标及其变化的快速筛选，逐步推向智能化、自动化、实时化，以解决实际应用需要，缓解人工处理压力；
二是重视数据挖掘带来的知识导引。异质数据的互补潜力，多时相数据、超时相数据中隐含的大量相关信息，远未得到系统的分析与总结；
三是引入适当的人机交互处理。智能化处理定位不准，导致许多研究找不到直接支持情报生产的契合点，只要人工交互设计得当，符合流程特点，可以简单快捷并充分发挥人的能动性；
四是多角度综合理论方法、领域技术及应用系统。形成集成的应用系统，综合利用先验信息、地理信息、专家专业专题信息等，在解决实际应用问题的同时，反过来进一步扩展目标识别与变化检测的理论研究内涵；
五是关注实际应用中可以采用的性能评价问题。面向具体应用，从影响性能因素的提取、性能参数的测试和性能参数认定等方面，综合提炼评价指标体系，并进一步获得应用和研究部门协调认可。
5、结语
针对面向目标的遥感变化检测技术良好的发展空间和应用前景，本文从变化检测的一般流程和常规方法入手，介绍了变化检测的常规方法——基于影像代数运算和基于变换的变化检测，并着重分析了面向目标识别任务相关的变化检测技术——基于影像分类和基于空间结构的变化检测，并对在与目标识别相关的变化检测研究重点关注问题进行了探讨。分析上述方法，我们得出以下结论：随着感知数据手段和能力的增加，随着应用需求的不断深化，正确的、精确的和快速的目标识别需求越来越多，面临着理论方法与应用实践的严峻挑战，需要解决图像自动配准、影像自动匹配、特征自动提取、目标自动解译、影像自动融合和数据自动清理和分类等关键性难题。作为补充，面向目标的变化检测应遵循以下几点原则：一是目标变化分离原则。从各种变化信息中提取目标的变化信息，排除系统噪声，自然变化规律以及非感兴趣变化等干扰。二是物候变化最大原则。选择目标变化最大的时间段，正确的光谱波段和合适的空间分辨率。三是过程误差最小化原则。由于是一个联动的分析过程，在几何配准、辐射校正等步骤中，应结合应用目的谨慎选择可行方法，尽可能避免信息失真。