遥感变化检测方法综述

SAR图像变化检测方法综述变化检测定义

变化检测是从不同时期的遥感数据中定量分析和确定地表变化的特征与过程。遥感变化检测是遥感瞬时视场中地表特征随时间发生的变化引起两个时期影像像元光谱响应的变化。SAR图像的变化检测专指利用多时相获取的同一地表区域的SAR图像来确定和分析地表变化，能提供地物的空间展布及其变化的定性与定量信息。SAR由于其具有的传统光学遥感不可比拟的全天候、全天时的优势而逐渐成为变化检测的重要数据源，在国土资源监测、灾害评估与监测等各个方面起到日益重要的作用。随着近些年来自然灾害及极端恶劣天气的频发，使得在众多的SAR变化检测的应用方面，灾害预警与灾害评估方面应用意义重大，尤其是2008年5月12日汶川地区发生8.0级地震及最近日本地震等自然灾害的发生，使得各国对应用SAR变化检测技术对灾害进行预警和评估更加重视。其中，SAR图像变化检测技术在汶川地震后的灾害评估方面起到重要的作用。下面几组SAR图像很好的展示了SAR图像变化检测的重要性。图（a）为汶川地震两个受灾县表示映秀镇地震前后SAR图像,可以清晰观测出地震给映秀镇损害图（b）表示北川县地震前后SAR图像，两个白箭头所指区域代表地震破坏最严重区域。汶川县映秀镇地震前SAR图像(左)中绿色的圆圈代表一些标记的建筑物，地震后的SAR图像(右)中，仍然是蓝色的圆圈表明在地震中没有受到损害，而红色的圆圈表明在地震中受到的重大的损害。SAR图像进行变化检测的基本前提

由一些随机因素引起的变化与观测场景目标本身变化而引起的辐射值或局部纹理的变化是可分的。这些随机因素是指大气条件、投射角和视角、土壤湿度、季节、天气、潮汐等。有些变化检测方法则是以假定其造成的变化区域相当小为前提；也就是说，地表的变化会导致SAR图像强度的变化；地表变化导致的图像强度变化比其他因素引起的变化要大的多。变化检测是检测是否发生变化以及变化的属性，包括变化的位置和内容，通常意义上，检测内容包括：(1)检测已经发生的变化；(2)识别变化的性质；(3)判断变化的区域范围；(4)评估变化的模式。变化检测基本流程变化检测的预处理

在遥感图像进行变化检测前，一定要先对两时相图像进行较高精度的图像预理，否则将检测出来的变化区域，有很大一部分是误检测出的“伪”变化区域。而这些“伪”变化信息不是地物信息，而是由于对相同地物成像时，传感器的成像位置和以及传感器所受得光谱反射值发生变化所引起的，这些变化一般被称为几何畸变和辐射失真。因此图像预处理对于变化检测技术是否能准确地提取地物的真实变化信息起着至关重要的作用。遥感图像数据进行的预处理，包括辐射纠正、几何校正、几何配准、斑点噪声抑制（SAR图像特有）、图像增强等几个方面。几何校正与几何配准在卫星遥感成像过程中，由于受载体位置、运动状态变化、地球表面曲率、大气折射、地面起伏、地球旋转等因素的影响，SAR图像必然会产生一定的几何畸变。因此，在对SAR图像进行变化检测前，必须进行几何校正，也是从图像中提取有用信息的先决条件。几何配准是图像差值变化检测方法的一个非常关键的前提和基础，特别是高精度的配准在图像差值法中已成为获取准确变化信息的必要条件。配准结果的优劣会直接影响到变化检测的精度。图像配准包括相对配准和绝对配准。在变化检测中，从应用的角度出发通常采用相对配准。辐射校正

由于受传感器差异、大气条件等的影响，对辐射值都会有不同程度的影响，在利用SAR图像进行变化检测时，必须对SAR图像进行辐射校正，使得两幅SAR图像的未变化部分的灰度值大致相同。辐射校正分为绝对辐射定标和相对辐射定标。绝对辐射校正需要确定大气条件和传感器角度等参数，由于相关参数的获取比较困难，处理过程也比较复杂，因此，不易实现。而相对辐射校正，以一副图像为基准，把其它数据序列集图像映射投影变换到基准亮度空间，比较容易实现。在变化检测中，大都应用相对辐射校正。目前常用的相对辐射校正方法主要包括非线性校正法和线性回归法。图像滤波由于遥感器在成像过程中产生随机分布在图像各部分或明或暗的斑点，与一些细小的地物目标掺杂在一起，尤其是SAR图像受斑点噪声干扰，破坏了图像的纹理结构，给遥感图像解译带来困难。对遥感图像进行滤波处理时，如果是光学遥感图像，由于受斑点噪声干扰较少，其噪声的统计分布接近于加性高斯分布，一般采用简单的均值滤波或中值滤波来完成滤波处理。如果是SAR图像，由于受乘性斑点噪声干扰较为严重，常采用如Lee、增强Lee、Kuan及Frost等滤波算法。图像增强图像增强是增强图像中的有用信息，它可以是一个失真的过程，其目的是要改善图像的视觉效果，针对给定图像的应用场合，有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。希腊南部的伯罗奔尼撒半岛分别在1998.04（左）和1998.09（右）拍摄的照片，图中已经经过预处理。SAR图像变化检测方法从算法的角度可将目前变化检测的方法分为五类:(1)基于简单代数运算的变化检测；(2)基于图像变换的变化检测；(3)基于图像分类的变化检测；(4)基于图像融合的变化检测；(5)基于结构特征分析的变化检测。基于简单代数运算的变化检测基于代数运算的变化检测技术包括图像差值(imagedifferencing)、图像比值(imageratio)、植被指数(NDVI)、图像回归(imageregression)等。基于简单代数运算的变化检测（1）图像差值法

图像差值法是最简单、最常用的一种变化检测方法，其基本原理是将不同时间获取的两幅影像进行配准，然后将图像中对应像元的灰度值相减，从而获得一幅新的差异图像以表示在所选两个时间当中目标区所发生的变化。它既可以用于单波段图像也可以用于多波段图像，用公式表示如下：

其中i,j为像素坐标值，k为波段，为k波段图像点（i,j）的像素灰度值，t1,t2为第一幅、第二幅图像时间，C为常量。图像差值法的优点在于理论相对简单、直接，容易理解和掌握，但常常只能定量地描述目标区是否发生了变化，而很难确定目标区域发生变化的性质。为了能确定变化的性质还需结合其他方法进行分析，从而获得最终的目标区变化信息。另一方面，由于相同地物在不同时相的光谱特征往往是不同的，因此变化阈值需要根据实际情况选取。基于简单代数运算的变化检测（2）图像比值法

图像比值法是对不同时期的配准后的图像对应像素进行比值，从而得到比值图像。将两幅同一地区采自不同时期的配准后的图像在每个波段求出对应像素的比值，从而可以得到下式：

如果两幅像素的对应像素灰度值相同，则有，表示没有发生变化；而对于变化区域，根据变化方向的不同，比值会远大于1或远小于1。比值法和差值法一样简单，对SAR图像上的乘性噪声是不敏感的。应用的关键是在两个方向上选择合适的阈值。比值法的理论假设是比值图像呈正态分布，通常采用均值和标准偏差作为标准划分变化与非变化区域，但对于很多实际问题该假设并不总是成立的，这时变化阈值的选择就成为比值法变化检测是否有效的关键。比值法和差值法一样都直观，容易掌握，变化检测速度快，但这种方法过于简单，很难考虑到所有因素的影响，容易造成大量信息的流失，同时该方法对图像的配准精度要求很高。基于简单代数运算的变化检测（3）图像对数比值法

近年来，在SAR图像变化检测中，一些研究者将图像比值法进行推广，提出了对数比值法（在得到对应像素的比值后，再对其取对数），可以先将SAR图像中乘性噪声转化成加性噪声，便于对SAR图像进行有效地去噪。因此该方法在SAR图像的变化检测中得到了广泛的应用。图像对数比值可以表示为：

基于简单代数运算的变化检测（4）图像均值比值法在图像比值法的基础上，图像均值比值法在对应像素灰度值相除之前加入了邻域信息，使得差异影像图比较接近于实际情况，而且也减少了斑点噪声的影响。所得到的图像均值比值法的公式如下：其中N为横轴和纵轴的邻域大小。基于比值的方法Lowvaluescorrespondtohomogeneousareas,whilehighvaluesrefertoheterogeneousareas.Alowvalueof∂indicatesthatthislocalareaishomogeneous,sothesecondpartof(2)playsaleadroletoproduceadifferenceimage.Ahighvalueof∂indicatesthatthislocalareaisheterogeneous,sothefirstpartof(2)playsaleadroletoproduceadifferenceimage.基于简单代数运算的变化检测（5）图像回归法

回归分析方法首先假定两期影像线性相关，也就是说两期影像中，多数像元变化不大。该方法通过最小二乘法进行回归分析，然后再用回归方程计算出的预测值减去影像真实值，从而获得两期影像的回归差值影像，利用该影像可以反映土地覆盖变化信息。设图像Xt1与Xt2分别表示同一场景在t1与t2时段获取的SAR图像，则图像回归法的公式可以表示如下：

其中，i、j表示像素坐标，k、b表示常数，通过最小均方方法估计得到k、b后，然后根据xij(t1)来预测xij(t2)，最后通过门限来检测变化像素点。回归分析方法解决了不同时相影像像元均值和方差的差异，处理后的遥感影像数据在一定程度上类似于相对辐射校正，因而能够减小多时相影像数据中由于大气条件和太阳高度角的不同所带来的不利影响。基于简单代数运算的变化检测（6）植被指数法植被指数(NDVI)是为了从来自地球遥感观测卫星的图像数据中了解全球植被分布状况的指标，它将遥感图像中不同波段的灰度值进行各种组合运算，计算反映植被的常用比率和指数。目前常用的植被指数有NDVI、TNDVI等几种，如归一化差异植被指数常用来对土地利用进行动态变化检测。利用植被对光学传感器的近红外波段与红外波段的明显的响应差(植被吸收红外波段，强烈反射近红外波段)，通过这两个波段的比值突出植被变化信息，再通过阈值提取植被信息和非植被信息，能够很好地反映地面植被的覆盖情况。基于简单代数运算的变化检测方法总结基于代数运算的变化检测技术的优点是相对简单、直接，其关键是确定阈值。由于现在还没有一种可靠的阈值选取方法，因此常常采用交互的方法确定变化阈值。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描述。基于图像变换的变化检测基于图像变换的变化检测方法主要包括主成分分析(PCA)、相关系数法、变化向量分析(changevectoranalysis)法和内积分析法等。（1）主成分分析法主成分变换又称为主分量分析，它是建立在统计特征基础上的多维正交线性变换，是一种离散的K-L变换。它应用于遥感图像处理中，其作用主要是数据压缩、图像增强和特征选取等。一幅多波段遥感图像的不同波段之问往往存在着很高的相关性，对其进行主成分变换的实质是将具有相关性的多波段数据压缩到完全独立的较少的几个波段上，使新图像数据更易于解译。将不同时相的多波段数据经主成分变换后，新图像中各主分量正交即各主分量之间的相关系数为零或接近零，并且新图像中的几个主分量就包含了原始遥感影像中的绝大部分信息。一般来说，第一主分量包括了原始多波段影像信息的绝大部分内容，相当于原来各波段的加权和，每个波段的权值与该波段的方差大小成正比。其他各主分量所包括的信息逐渐减少，相当于相关程度较低的波段之问的差异。因此，对几个变化后的主分量进行合成，就可以达到数据压缩和突出变化信息的目的。基于图像变换的变化检测（2）相关系数法相关系数法是通过计算多时相图像中对应像素灰度的相关系数来确定两时相图像对应像素的相关性。如果相关系数的值越接近于1，则说明对应像素点的相关性越高，该像素属于未变化类的可能性越大，反之，属于变化类的可能性越大。设图像Xt1与Xt2分别表示同一场景在t1与t2时段获取的SAR图像，则相关系数法的公式可以表示如下：

基于图像变换的变化检测（3）变化向量分析法变化向量分析法可以检测出所有包含在不同时段多通道数据中的变化信息，对不同传感器的数据都有很好的应用效果。变化向量分析法是一种多变量的方法，它将不同时段的多通道图像作为输入数据，对每个图像的这些通道构成多维空间的坐标轴。未发生变化的不同时相的数据处于度量空间中相同的点位，而发生变化的不同时相的数据处于度量空间中不同的点位，每个像素的变化可以由其变化方向和变化强度来描述。基于图像变换的变化检测（4）内积分析法内积分析法是将像素灰度值看作多通道的向量，两个向量之间的区别通过两个向量间夹角的余弦来表示，如果两个向量彼此一致，则内积为1；如果两个不同时期的对应像素发生了变化，内积就在-1和1之间变动，这样就根据内积的不同值来体现图像的变化。设图像Xt1与Xt2分别表示同一场景在t1与t2时段获取的SAR图像，则内积分析法的公式可以表示如下：表面反射值的差异可以表示为：由于有-1<d<1,内积可以用下式表示：基于图像分类的变化检测这类变化检测主要有分类后比较(post-classification)和多时相图像同时分类两种方法。这类方法可以提供变化的种类信息，并且可以减少大气等外部因素对变化检测的影响。然而，这类方法需要选择足够的高精度的学习样本，而这对于历史数据是非常困难的，且基于分类的变化检测性能受分类结果的影响很大。（1）分类后比较法

分类后比较法也是目前遥感变化检测中应用较广泛的一种方法，其原理是对两个不同时相的影像进行单独分类，然后在已经分类的区域中逐像素比较以确定变化信息的位置和类型。分类后比较法是一种很直观的变化检测方法，要求对每一个图像单独进行分类，然后对多时相图像的分类结果图像进行比较，检测出感兴趣的地物变化信息，而且可以提供变化信息类型。如果对应像素的类别标签相同，则认为该像素没有发生变化，否则认为该像素发生了变化。分类后的图像可以用人工视觉比较或计算机比较。由于不同时相是独自进行分类的，因而可以消除大气、传感器、季节和地面环境等因素对不同时相图像的影响。最小化地减少非地物变化因素的影响，能够提供变化的类别信息。由于这种方法的变化检测结果的精度取决于分类结果精度，从而会导致变化检测误检进行叠加。因此，分类后比较法的检测结果的精度不高。T1时相影像T2时相影像分类分类T2时相分类结果比较分析检测结果T1时相分类结果分类后比较法流程图基于图像分类的变化检测（2）多时相图像同时分类法这种方法是将两个或多时相的遥感图像数据放在一个数据库中同时进行分类。出现变化的类别，其数据的统计量如标准偏差等将很大，而未发生变化的类别其数据的标准方差很小，因此通过统计量的比较可以区分出类别变化与否。可以看到，这是一种比较复杂的方法，因为它常常需要很多类和特征。而这其中有一些很可能是冗余信息，可以通过主成分变换等方法去除冗余。另外一个问题是，在合成的数据库中，时间特征和光谱特征具有同等地位，因此，分类中很难将光谱变化和时间变化轻易区分开来。基于图像分类的变化检测（3）基于人工神经网络的变化检测人工神经网络可以通过训练样本估计数据的属性，是一种非参数的监督方法。首先需要输入不同时相的数据用于训练网络，并且通过后向传播算法训练多层感知神经网络。这种方法需要解决的关键问题是确定神经网络的结构和选择合适的训练样本。不足是隐含层的属性难于获知，需要很长时间用于训练网络，并且人工神经网络的性能对训练样本的选择非常敏感。基于图像融合的变化检测方法

图像融合是近年来的热点研究领域，它主要通过对同一场景的多幅源图像信息进行有机结合，从而得到蕴含更多有价值信息的新图像的过程。基于融合思想的变化检测方法通过将各种基本变化检测方法的优势融合为一体，提高变化检测的精度，如Melgani等于2006年对直接差值图用五种不同的阈值分别分割，然后用模型对五种不同的分割结果进行融合，取得了优于五种阈值法的结果。Bovolo和Bruzzonel提出了一种效果比较理想的变化检测方法“基于多尺度融合的SAR图像变化检测方法”。Moser和Serpic于2009年对多波段SAR图像的各波段的纹理信息分别建模，然后利用Markov模型进行融合，实现了多波段SAR图像的变化检测，取得了较好的结果。该类方法的核心在于融合对象的选取和融合规则的制定。现有的基于融合的变化检测方法主要在于多尺度的融合、多阈值结果的融合和多波段信息的融合。在差异影像图的构建过程中，将不同变化检测方法进行融合的研究较少。基于结构特征分析的变化检测方法

基于结构特征分析的变化检测方法是指运用不同算法从初始图像中提取特征信息（如边缘、形状、轮廓、纹理等），然后对这些特征信息进行综合分析检测，最后得到结果图。

特征的提取与分析比较是该类算法的难点。该类方法需要对图像进行基元特征提取，利用所得到的边缘、形状或纹理等基元特征进行检测，所以检测的性能在很大程度上依赖于基元特征提取算法。然而，不论是边缘、形状或纹理特征提取，到目前为止都还处于不断探索和研究之中，基元特征提取并没有得到很好地解决。因此，在实际应用中，基于结构特征的变化检测的方法受到了一定限制。变化检测的精度评估

评价某种变化检测方法性能的客观依据是对变化检测结果进行确切而有效的量化分析。目前，变化检测的性能评估包括地物结构的变化和地物类别的变化，主要集中在地物结构变化的分析上。针对地物结构变化的性能评估中的主要是在像素级的评估上。在像素级的性能评估中，对于具有参考图的实验数据，可以估算一下评价指标进行变化检测结果精度分析：（1）漏检像素数（FN）：统计实验结果图中发生变化区域的像素个数，与参考图中变化区域的像素个数进行对比，把参考图中发生变化但实验结果图中检测为未变化的像素个数，称为漏检像素数FN；

(2)误检像素数(FP)：统计实验结果图中未发生变化区域的像素个数，与参考图中未变化区域的像素个数进行对比，把参考图中未发生变化但实验结果图中检测为变化的像素个数，称为误检像素数FP；(3)总检测错误数(OE)：等于漏检像素数和误检像素数的和；(4)正确检测率(PCC)：正确测得的目标数即等于参考图中发生变化且实验结果图中检测为变化的像素数TP与参考图中未发生变化且实验结果图中检测为未变化的像素数TN与图像的总像素个数之比，如下式所示：尽管通过量化性能比较可以客观地反映出不同变化检测方法的性能，然而，这种量化方法是在具有地物变化参考图的基础上进行的，而在实际情况中，由于实际野外勘测的地理条件、数据采样采集等的限制，往往无法实际获取。因此，评价一种变化检测方法很多时候是通过主观视觉比较分析的方式实现的。实例展示基于非局部差异图和谱聚类的SAR图像变化检测谱聚类算法是基于谱图划分理论的基础上的，所以该算法比传统的聚类算法更加准确，也实现了在任意形状的样本空间实现聚类，获得了全局最优解。这种聚类方法是利用样本数据集来得到一个描述成对数据点相似度的亲合矩阵,再根据计算出的特征值和特征向量,选择合适的特征向量来聚类。现在比较流行的谱聚类算法有：由Shi和Malik提出的SM算法和MS算法,，由Kannan，Vetta和Vempala提出的KVV算法，由Ng，Jordan和Weiss提出的NJW算法等。这些算法中NJW算法最为流行，因此这里我们选择NJW谱聚类算法来进行实验。NJW谱聚类算法流程1.输入一个RK中的样本集X={x1,x2,…,xn}，类别数为c;2.构造该样本集的相似度矩阵,定义：当的时候,而3.定义对角矩阵D，其中第(i,i)个元素为矩阵的第i行的元素之和，并构造拉布拉斯矩阵4.找到矩阵L的前c个最大的特征值对应的特征向量w1,w2,…,wc(如果特征值相等，取两两正交的向量），并按列映射到矩阵5.重新按行归一化W到单位长度，构造矩阵Y，也就是6.将Y中的每一行看成是R中的一个点，通过k-均值或其他算法将它们聚类到c类中；7.如果矩阵Y的第i行被归到第j类，则将数据点xi归到第j类；8.输出样本集X中的所有样本点对应的类标：{l1,l2,…,lN}。本文算法流程输入：同一场景中大小相同，时段不同的两幅SAR图像T1和T2作为测试图像(1)利用的差值方法构造两幅测试图像T1和T2的差分子图D1；(2)使用构造两幅测试图像T1和T2的差分子图D2；M是非局部搜索的尺寸;(3)使用公式对差分子图D1和差分子图D2进行融合，生成差异图D；(4)使用NJW谱聚类算法，将差异图D的像素聚类，得到变化检测结果图。

前面三个步骤即为我们提出的非局部差异图构造方法。非局部差异图方法充分的利用了图像像素的空域领域信息和像素的灰度相似性信息，可以很好的抑制斑点噪声且充分的克制了传统的差异图方法的缺点，而且，在本算法中第一次应用谱聚类算法到变化检测领域。实验用图和参考图

Ottaw图像及参考图：（a）1997.05;（b）1997.08;(c)参考图

Berma图像及参考图：（a）1999.4;（