面向目標識別的遙感變化檢測技術(shù)綜述

1、引言
遙感變化檢測的主要目標是研究地球資源和環(huán)境狀況的動態(tài)變化，分析人類活動對地球環(huán)境的影響以及保障國家和社會安全服務。隨著各種衛(wèi)星遙感平臺和航空遙感平臺技術(shù)不斷深入發(fā)展，各種遙感數(shù)據(jù)不斷積累，各級空間數(shù)據(jù)庫的建立，通過航空和航天遙感，我們不斷觀測和把握地球的變化，特別是地球表面從宏觀到微觀的變化，全面記錄不同空間尺度和時間尺度的影像。如何從這些遙感影像中提取變化信息成為遙感影像變化檢測研究的重要課題。
在國內(nèi)外近幾十年的研究中，總結(jié)出了許多基于遙感影像的變化檢測方法，并廣泛應用于土地覆蓋變化研究、數(shù)據(jù)庫更新、環(huán)境管理和防災救災等方面。隨著我國衛(wèi)星技術(shù)的不斷發(fā)展，各種氣象、資源、海洋和環(huán)境減災等系列衛(wèi)星的成功發(fā)射，我國正向航天強國邁進。近年來隨著變化檢測技術(shù)的不斷完善和發(fā)展，各種變化檢測技術(shù)軟件平臺的研發(fā)和綜合利用各平臺進行檢測，使得傳統(tǒng)檢測技術(shù)效率低下和誤差大等缺點得到了很大的改善，促進了變化檢測的自動化進程，提高了檢測效率和檢測精度。
以世界范圍看，隨著遙感變化檢測技術(shù)應用服務的擴展和效益的提高，遙感變化檢測技術(shù)的應用發(fā)展大體可分軍事應用、公益應用和商業(yè)應用三個層次。軍事應用特點是采用高新技術(shù)、發(fā)展速度快；社會公益應用的特點是政府重視、投資有保證，能實現(xiàn)全國土覆蓋；商業(yè)應用的特點是面向工農(nóng)業(yè)生產(chǎn)，深入經(jīng)濟建設、社會發(fā)展和民眾生活的廣闊領(lǐng)域，因而有大量企業(yè)參與，向著工業(yè)化和產(chǎn)業(yè)化目標，有廣闊的發(fā)展前景。
2、變化檢測處理流程及常規(guī)方法
面向目標識別的變化檢測核心和關(guān)鍵是提取變化信息，當前的變化檢測方法都是為了有效地從多時相遙感數(shù)據(jù)中提取出目標的變化信息。依據(jù)遙感影像變化檢測原理，其工作流程主要包括數(shù)據(jù)獲取、預處理、變化檢測和精度評估等步驟，可以用圖1來表示。本文依據(jù)文獻[1][2][3][4]，從算法角度出發(fā)，將當前變化檢測方法分為基于代數(shù)運算、基于變換、基于分類和基于空間結(jié)構(gòu)四類變化檢測。在本文的組織中，考慮到與目標識別的高度相關(guān)性，我們將后兩種方法放在第三章闡述。
2.1基于影像代數(shù)運算的變化檢測
該類方法的優(yōu)點是簡單、直接，主要包括：圖像差分、圖像比值、圖像回歸和植被指數(shù)索引等。這類方法的不足是難以確定變化的類別和不能對變化信息進行更加具體的描述。
2.1.1圖像差分法[5]
通過計算經(jīng)過預處理的多時相影像對應像素的差值，產(chǎn)生目標圖像與基準圖像的差值圖像，然后通過適當?shù)拈y值選取方法選取閥值，找出檢測圖像與基準圖像差異較大部分，來表示發(fā)生變化的區(qū)域。此法最為常用和基礎(chǔ)，適用于各種地理環(huán)境、圖像類型和各種波段影像。其閥值的選取是實際應用中的難點，檢測精度依賴于配準的精度，通常要求配準精度達到像素或亞像素級別。
2.1.2圖像比值法[5]
通過多時相圖像“相除”，計算其比值，如果圖像沒有發(fā)生變化，則其對應像素的比值為1，由于實際環(huán)境受各種因素的影響，只要其比值在接近1的某個范圍（通常是選取大于和小于1兩個閥值，這是比值法的關(guān)鍵），我們則認為沒有發(fā)生變化，如果比值在我們選取的閥值以外，則發(fā)生了變化。圖像比值法通過計算變化前后兩幅圖像的比值圖像來找出變化區(qū)域，對圖像的預處理精度要不較高，在實際工作中，我們通常還要對除數(shù)加一個很小的不影響結(jié)果的常數(shù)（除數(shù)不能為0）。
2.1.3圖像回歸法[6]
通過分析多時相影像之間的統(tǒng)計聯(lián)系，來研究多時相影像之間的相關(guān)關(guān)系的數(shù)量表示，以此來檢測多時相影像的變化信息。該方法是用一個線性函數(shù)來表示多時相影像像元值之間的關(guān)系，通過合適的數(shù)學模型（不同的應用目的，其回歸模型是不同的）進行回歸，然后通過計算回歸值與原像元的差值，來獲取多時相影像之間的殘差圖像。同樣最后也是通過選取適當?shù)拈y值來確定變化區(qū)域。
2.1.4植被指數(shù)索引法[7]
利用植被對紅外波段和近紅外波段之間不同的光譜效應（植被對紅外的強吸收能力和近紅外的強反射能力），通過研究兩波段影像數(shù)據(jù)對應像素的比值（通常是灰度值或灰度值的幾何運算之比），來檢測植被的變化。最普遍的植被指數(shù)法有歸一化差分植被索引法(NDVI)和比值植被指數(shù)法。利用植被指數(shù)法對不同時期植被覆蓋狀況的敏感性，來研究土地沙漠化和農(nóng)作物、森林蟲災等。
從以上方法可以看出，基于代數(shù)運算的變化檢測方法大多需要通過閾值來確定變化區(qū)域，穩(wěn)健有效地門限選擇方法是長期的研究熱點，非實時需求下常采用交互方法確定門限。
2.2基于影像變換的變化檢測
為了減小遙感影像數(shù)據(jù)之間的冗余信息，我們通常對遙感影像進行變換，以此來增強影像之間的變化信息，以便于識別變化信息。該方法主要包括主分量分析（PCA）、典型相關(guān)分析（Canonical）、纓帽變換（K-T）等。
2.2.1主分量分析法(PCA)[8]
為使信息損失減小，同時減少計算量和影像數(shù)據(jù)處理的復雜程度，主分量分析法將所有的信息壓縮到幾個特征向量上，主要應用于多個時期的影像集，將多維特征變換到正交特征空間中進行分析。主分量主要從影像數(shù)據(jù)的協(xié)方差矩陣和相關(guān)矩陣的特征向量推導而來，定義一個新的正交坐標系統(tǒng)，由這些矩陣的特征向量來定義新坐標系統(tǒng)的坐標軸，利用向量乘積對影像的每個像素進行單獨變換，得到新坐標系的坐標值?？蓪⒕仃嚨奶卣飨蛄靠醋餍碌牟ǘ危跋衩恳粋€像素的坐標值作為此波段上的亮度值，當感興趣區(qū)域沒有顯著變化時，影像數(shù)據(jù)之間的相關(guān)性較大，而當感興趣區(qū)域發(fā)生了較大的變化時，影像數(shù)據(jù)之間的相關(guān)性減小。
2.2.2典型相關(guān)分析法[9]
典型相關(guān)分析法是將不同時相的兩組多通道影像變換成一組新的多通道影像，以降低原始影像內(nèi)部通道和不同影像之間的相關(guān)性的影響?？梢岳迷摲椒ǖ木€性不變性，以及對測量設備的增益和線性輻射畸變不敏感等特點，對成像條件有差異的多時相多通道遙感影像進行變化檢測。在實際應用中，通過學習樣本計算出變換系數(shù)，確定變化關(guān)系，減小數(shù)據(jù)冗余，降低多時相影像間的線性相關(guān)性。
2.2.3纓帽變換[10]
纓帽變換是為了解決主分量分析法中不同影像的主分量難以相互比較的問題，是基于影像物理特征的固定變換，從而定義四個分量（土壤亮度指數(shù)、濕度指數(shù)、綠度指數(shù)和噪聲）。纓帽變換的轉(zhuǎn)換系數(shù)是固定的，獨立于影像，不同時相的影像產(chǎn)生的亮度和綠度可以互相比較。隨著植被的生長，綠度指數(shù)上信息量增加，土壤亮度指數(shù)上信息量減小，當植被進一步成熟或凋零時則相反。因此，可以對不同時相的影像進行纓帽變換，提取前三個分量進行比較，確定最能描述變化的分量，識別來地物的變化。
3、目標識別任務相關(guān)的變化檢測技術(shù)
3.1目標識別任務與變化檢測技術(shù)的結(jié)合點
遙感圖像目標檢測與識別[11][12][13]一直是遙感圖像處理和模式識別領(lǐng)域研究的熱點課題，是建立在模式識別基礎(chǔ)上的，其實質(zhì)是依據(jù)目標的形狀、面積、周長、長寬比、圓度等，把未知目標判別為一組已知目標集中某一類的過程，主要難題包括：復雜的背景、多種形式的干擾、不斷增長的目標機動性和靈活性，主要涉及圖像預處理、目標探測、圖像分割、特征提取與選擇、目標分類識別與目標跟蹤等多級步驟。
目標識別處理一般包括特性分析與目標建模，特征提取與學習訓練，識別性能評估與方法反饋等。目標識別建模是其中的關(guān)鍵部分，與識別的層次息息相關(guān)。從信息的組織形式上，可歸納為三種類型的方法：第一類模型是：目標模板表述模型，直接使用目標識別相關(guān)的典型目標數(shù)據(jù)建立模型，采用相似性度量的模板匹配進行識別。這是早期的方法，對一些簡單的應用情況可能是合適的，但其對感知目標輸入數(shù)據(jù)的變化和噪聲敏感；第二類模型是：基于數(shù)據(jù)層的特征矢量表述模型，其使用單層結(jié)構(gòu)的多特征屬性組合建立模型，在特征矢量表述模型基礎(chǔ)上可以建立形形色色的識別分類方法。這類方法是建立在數(shù)據(jù)層上的，為獲取對分類更有效的特征集，需要組合特征數(shù)目少的特征集，通常需要采用合適的特征選擇和提取方法。第三類模型是基于元特征的層次結(jié)構(gòu)表述模型。通過對目標數(shù)據(jù)的分析，可以提取以基礎(chǔ)單元的特征，還可以將相連的具有同樣屬性的特征聚合成特征集，即形成所謂的元特征。例如，圖像中的具有相同特性的區(qū)域、線段等。這類元特征由多個基礎(chǔ)單元構(gòu)成，是一種更簡潔的目標表述單元，由此建立的目標模型將可以表述更多的、更復雜的、不同層次的目標類別。這類方法為基于知識的識別方法提供了信息組織的基礎(chǔ)。
依據(jù)前述，目標識別任務與變化檢測技術(shù)存在互相滲透關(guān)系，在三個識別層次上均可以找到結(jié)合點：第一層次，從背景中發(fā)現(xiàn)目標，通常稱為目標檢測。結(jié)合多時相信息，針對熱點地區(qū)的動態(tài)監(jiān)視任務中，提取變化與非變化，剔除“偽變化”或不感興趣變化的過程；第二層次，區(qū)分目標的類型，通常稱為目標分類，進一步的任務有目標鑒別與目標識別。例如，通過多時相掩膜構(gòu)造，可有效識別移動目標（尤其是時敏目標）的動態(tài)情況，隨著遙感數(shù)據(jù)回訪周期的縮短，采用多時相或超時相數(shù)據(jù)可進一步完成某些感興趣目標的動態(tài)特征刻畫與跟蹤監(jiān)視任務；第三層次，個體目標的確認通常稱為目標確認。隨著數(shù)據(jù)空間分辨率與光譜分辨率的提高，在低層次檢測識別的基礎(chǔ)上，完成特定目標要素組成變化的精細化分析，例如：軍事上的毀傷效果評估任務等。
下面，仍以基礎(chǔ)方法為重點，簡述面向目標識別任務的變化檢測技術(shù)。
3.2面向目標識別的變化檢測技術(shù)
3.2.1基于影像分類的變化檢測
利用影像分類對多時相遙感影像進行的變化檢測主要包括分類后比較法、同時分類法和人工神經(jīng)網(wǎng)絡法?；谟跋穹诸惖姆椒梢蕴峁┳兓繕说念悇e，減少外界干擾因素對變化檢測的影響，但其對學習樣本的精度要求較高，分類結(jié)果對其性能的影響較大。
(1)分類后比較法。[14]分類后比較法是對每個影像進行單獨的分類（監(jiān)督或非監(jiān)督方法），然后根據(jù)相對應位置區(qū)域像素類別的差異來檢測發(fā)生變化的區(qū)域。一般情況下為了降低配準誤差的影響，通過人工區(qū)分模式和形狀，利用計算機進行定量分析來進行變化檢測。該方法可以確定變化的空間范圍和變化信息的性質(zhì)，但分類方法選擇較難，檢測精度對影像分類精度的依賴程度較高。
(2)多時相同時分類法。[15]在監(jiān)督或非監(jiān)督模式下，利用多個時相的組合影像數(shù)據(jù)的單個分析來提取變化區(qū)域。在監(jiān)督分類中，由變化區(qū)域和不變區(qū)域的學習樣本來導出統(tǒng)計量，以決定特征空間；在非監(jiān)督分類中，通過聚類算法來分析影像分類的類別。直接的多時相影像分類法在檢測港口和森林區(qū)域的變化中，容易得到比較好的結(jié)果，同時能夠簡單地標記變化類別和減少分類的時間。
(3)人工神經(jīng)網(wǎng)絡法。[1]作為非參數(shù)的監(jiān)督方法，是利用人工神經(jīng)網(wǎng)絡的自組織、自適應性強的特點，通過學習不同時相的影像數(shù)據(jù)樣本來估計影像數(shù)據(jù)的屬性和訓練網(wǎng)絡，利用網(wǎng)絡結(jié)點間的連接來儲存信息和完成分類計算。人工神經(jīng)網(wǎng)絡法的關(guān)鍵是確定神經(jīng)網(wǎng)絡的結(jié)構(gòu)層數(shù)（具體包括網(wǎng)絡層數(shù)的確定、隱含層節(jié)點數(shù)的確定、初始權(quán)值的選擇和學習速率的選擇。）和選擇合適的訓練樣本。
3.2.2基于影像空間結(jié)構(gòu)的變化檢測
基于影像空間結(jié)構(gòu)特征的分析法主要針對人造目標，根據(jù)不同影像中人造目標的空間結(jié)構(gòu)信息的變化來實現(xiàn)變化信息的提取。該類方法對于高分辨率影像變化檢測方面具有較大的優(yōu)勢，但如何提取特征與分析比較是這類算法的難點。
(1)基于線特征。在基于目標識別的變化檢測中使用的線特征主要有兩種：基于影像梯度信息的邊緣特征和描述目標形狀的輪廓特征?；诰€特征目標識別的變化檢測主要是通過影像的邊緣信息來描述地物，然后通過邊緣特征的變化感知目標的變化，此法需要穩(wěn)健的邊緣特征提取方法和線匹配方法，對于影像的預處理的精度要求不高，同時比較穩(wěn)健，對于形狀不規(guī)則的目標有較好的檢測效果。由于此法是通過目標的邊緣進行檢測，因而對目標變化的細微信息難以準確地描述。
(2)基于空間紋理特征。影像的紋理是影像灰度統(tǒng)計信息、空間分布信息和結(jié)構(gòu)信息的反映，同時也是對影像空間上下文信息的描述，根據(jù)描述紋理的方法不同，可以將該方法分為利用梯度描述紋理和利用灰度共生矩陣描述紋理兩類。不同的物體有不同的紋理特征，因而它的變化必將引起其紋理發(fā)生變化，可以利用其空間紋理的變化來檢測目標的變化。目標的變化使其空間紋理也發(fā)生了改變，進而通過空間紋理的比較來感知目標的變化，該方法需要選擇合適的紋理描述方式，必須根據(jù)不同的目標紋理特征選擇合適的描述紋理的方法。
4、遙感發(fā)展新趨勢帶來的思考
近年來，變化檢測的研究呈現(xiàn)三個特點：應用廣泛、數(shù)據(jù)多元、方法綜合。目標識別是對有限感知數(shù)據(jù)的解釋過程，隨著感知手段的豐富和能力的提高，隨著應用需求的不斷深化，正確的、精確的和快速的目標識別需求將日益突出，存在著巨大的發(fā)展空間和應用前景，同時也面臨理論方法與應用實踐的嚴峻挑戰(zhàn)。對目標識別相關(guān)的變化檢測要求是：自動化、實時化和在軌化。文獻[4]指出：目前的變化檢測技術(shù)，從方法上看主要停留在像元級的數(shù)據(jù)導引的方法，缺少知識導引的特征級變化檢測方法，尚未充分利用新舊影像間的許多關(guān)聯(lián)信息，更缺少自動的變化檢測方法；空間數(shù)據(jù)和識別知識的挖掘方法，處于起步狀態(tài)，變化檢測中較少利用多光譜和高光譜信息。
遙感對地觀測的不斷發(fā)展，帶來了更高的空間分辨率、時間分辨率和光譜分辨率，觀測平臺的多樣化使得綜合觀測、融合識別的趨勢明顯，即：大小衛(wèi)星平臺的綜合、空天平臺的綜合、技術(shù)與應用的綜合[12]。這將有效的提升數(shù)據(jù)的利用潛力和服務于識別任務的檢測-鑒別-識別分析能力。
結(jié)合目標識別的應用特點，考慮到目前智能計算與自動處理的實際能力，在相關(guān)的變化檢測研究中，應重點關(guān)注如下問題：
一是強調(diào)海量數(shù)據(jù)的快速篩選方法研究。感興趣目標及其變化的快速篩選，逐步推向智能化、自動化、實時化，以解決實際應用需要，緩解人工處理壓力；
二是重視數(shù)據(jù)挖掘帶來的知識導引。異質(zhì)數(shù)據(jù)的互補潛力，多時相數(shù)據(jù)、超時相數(shù)據(jù)中隱含的大量相關(guān)信息，遠未得到系統(tǒng)的分析與總結(jié)；
三是引入適當?shù)娜藱C交互處理。智能化處理定位不準，導致許多研究找不到直接支持情報生產(chǎn)的契合點，只要人工交互設計得當，符合流程特點，可以簡單快捷并充分發(fā)揮人的能動性；
四是多角度綜合理論方法、領(lǐng)域技術(shù)及應用系統(tǒng)。形成集成的應用系統(tǒng)，綜合利用先驗信息、地理信息、專家專業(yè)專題信息等，在解決實際應用問題的同時，反過來進一步擴展目標識別與變化檢測的理論研究內(nèi)涵；
五是關(guān)注實際應用中可以采用的性能評價問題。面向具體應用，從影響性能因素的提取、性能參數(shù)的測試和性能參數(shù)認定等方面，綜合提煉評價指標體系，并進一步獲得應用和研究部門協(xié)調(diào)認可。
5、結(jié)語
針對面向目標的遙感變化檢測技術(shù)良好的發(fā)展空間和應用前景，本文從變化檢測的一般流程和常規(guī)方法入手，介紹了變化檢測的常規(guī)方法——基于影像代數(shù)運算和基于變換的變化檢測，并著重分析了面向目標識別任務相關(guān)的變化檢測技術(shù)——基于影像分類和基于空間結(jié)構(gòu)的變化檢測，并對在與目標識別相關(guān)的變化檢測研究重點關(guān)注問題進行了探討。分析上述方法，我們得出以下結(jié)論：隨著感知數(shù)據(jù)手段和能力的增加，隨著應用需求的不斷深化，正確的、精確的和快速的目標識別需求越來越多，面臨著理論方法與應用實踐的嚴峻挑戰(zhàn)，需要解決圖像自動配準、影像自動匹配、特征自動提取、目標自動解譯、影像自動融合和數(shù)據(jù)自動清理和分類等關(guān)鍵性難題。作為補充，面向目標的變化檢測應遵循以下幾點原則：一是目標變化分離原則。從各種變化信息中提取目標的變化信息，排除系統(tǒng)噪聲，自然變化規(guī)律以及非感興趣變化等干擾。二是物候變化最大原則。選擇目標變化最大的時間段，正確的光譜波段和合適的空間分辨率。三是過程誤差最小化原則。由于是一個聯(lián)動的分析過程，在幾何配準、輻射校正等步驟中，應結(jié)合應用目的謹慎選擇可行方法，盡可能避免信息失真。