武汉大学学报 信息科学版 １８８６ 据预 处 理 变 化 检 测 方 法 阈 值 分 割 精 度 评 定 等 方面 ２２ ２４ 总体来 说 多 年 来 研 究 学 者 对 变 化 检 测问题进行了大 量 深 入 的 研 究 但 是 目 前 尚 未 出 ２０１８ 年 １２ 月 变化检测和非实时变化检测

Transcription

1 第 43 卷第 12 期 2018 年 12 月 武汉大学学报 信息科学版 GeomaticsandInformationScienceofWuhanUniversity Vol.43No.12 Dec.2018 犇犗犐 : /j.whugis 文章编号 : (2018) 多时相遥感影像变化检测方法综述 眭海刚 1,2 冯文卿 1 李文卓 1 孙开敏 1 徐川 2 1 武汉大学测绘遥感信息工程国家重点实验室, 湖北武汉, 地球空间信息技术协同创新中心, 湖北武汉, 摘要 : 遥感影像变化检测一直是国际遥感领域研究的热点和难点, 尽管各国学者对变化检测问题进行了大量深入的研究, 但是目前尚未出现一种普适性强 适用于所有情况的通用方法 随着遥感对地观测技术的快速发展和应用, 变化检测技术体系也在不断地发展和演化 回顾了多时相遥感影像变化检测技术的发展历程, 对多时相遥感影像变化检测方法的分类体系进行了归纳总结, 从变化检测预处理 变化检测方法 精度评价 3 个方面详细总结了变化检测研究的最新进展, 并指出了变化检测面临的核心困难及可能的应对措施, 以期推动遥感影像变化检测研究更加深入的发展 关键词 : 遥感影像 ; 多时相数据 ; 高分辨率影像 ; 信息提取 ; 变化检测中图分类号 :P237 文献标志码 :A 变化检测根据对同一物体或现象在不同时间 [1] 的观测来确定其不同的处理过程 遥感影像变化检测是利用不同时期覆盖同一地表区域的多源遥感影像和相关地理空间数据, 结合相应地物特性和遥感成像机理, 采用图像 图形处理理论及数理模型方法, 确定和分析该地域地物的变化, 包括地物位置 范围的变化和地物性质 状态的变 [2] 化 其研究的目的就是找出感兴趣的变化信 [3] 息, 滤除作为干扰因素的不相干的变化信息 国际摄影测量与遥感学会 (InternationalSociety for Photogrammetry and Remote Sensing,IS PRS) 多年来一直为遥感影像变化检测研究设置单独的工作组, 以致力于推动利用遥感技术手段进行多领域变化检测的发展 美国国家地理空间情报局 (NationalGeospatial Inteligence Agen cy,nga) 也将遥感影像变化检测与分析纳入其战略规划,NGA 第六任局长 CardiloRobert 曾指出, 一家公司如可开发出厉害的变化检测算法, 将可通过商业出售从而成为新一代的行业巨头 中国则将地理国情普查与监测 (China GeographyCensus) 作为一项重要战略需求, 其任务是逐步建立和完善国家级地理国情动态监测信息系统, 为政府 企业和个人提供科学可靠的空间信息服务 即便如此, 在现有绝大多数变化检测 应用中, 常用的方法仍然是目视解译和人工手动勾画, 需要耗费大量人力及时间, 处理效率低下 因此, 自动的变化检测技术对发掘影像与数据潜能 保持地理空间数据的现势性具有重要意义, 在国民 [4] 经济和国防建设各方面发挥着日益重要的作用 国内外学者从不同角度针对不同应用研究了 [5] 大量的变化检测方法和理论模型, 如代数法 分 [6] [7 10] [11 12] 类法 面向对象法 时间序列分析法 [13] 可视化法等, 这些自动及半自动的变化检测方法已广泛应用于土地利用 / 覆盖变化 森林和植被变化 灾害监测 地理信息更新 目标监视与跟踪 [14 16] [1,3,5,11,17 24] 生态环境监测等领域 许多学者对变化检测方法和技术进行了综述, 普遍认为变化检测是一个复杂的综合处理过程, 现有的检测方法没有哪一种适合所有应用场景 在应用驱动下新的变化检测方法不断涌现, 但能否从根本上解决上述难题值得怀疑 ; 目前的综述文献对检测方法进行了分类整理, 得出了许多有用的结论, 但是并未对变化检测理论和方法进行系统分析, 也没有提出较为系统的解决方案 与其他遥感数据解译技术相比, 变化检测聚焦处理和分析不同时相获取的覆盖同一地区的多幅遥感影像, 其所处理的影像数据量更多, 数据差异性更强, 地物情况 [22 24] 也更复杂 变化检测的通用流程主要涵盖数 收稿日期 : 项目资助 : 国家自然科学基金 ( ); 国家重点研发计划 (2016YFB ) 第一作者 : 眭海刚, 博士, 教授, 研究方向为遥感 GIS 多传感器集成等 haigang_sui@263.net

2 武汉大学学报 信息科学版 １８８６ 据预 处 理 变 化 检 测 方 法 阈 值 分 割 精 度 评 定 等 方面 ２２ ２４ 总体来 说 多 年 来 研 究 学 者 对 变 化 检 测问题进行了大 量 深 入 的 研 究 但 是 目 前 尚 未 出 ２０１８ 年 １２ 月 变化检测和非实时变化检测 变化检测方法与检 测的单元不一定 是 一 一 对 应 的 关 系 有 些 方 法 可 能涉及到多个检测单元 现一种普适性强 适用于所有情况的方法 本文在眭海刚等 １８ 对多时相遥感影像变化检 测方法分类的基础之上 对变化检测方法的发展历 程进行了回顾 围绕检测的粒度 维度和 时 间序列 ３ 个方面 分析总结了目前主流变化检测方法的研 究现状 并对其他的一些方法进行了 归纳 最 后指 出了变化检测技术面临的挑战及可能的发展趋势 １ 变化检测的分类体系 目前提出的 变 化 检 测 方 法 非 常 多 各 国 学 者 从不同的方面进 行 了 较 全 面 的 总 结 分 类 从 不 同 的角度出发可归纳出不同类型的分类方法 本文 在之前分类的基础上 按照检测数据时相 检测分 析粒 度 检 测 先 验 信 息 检 测 空 间 维 度 检 测 时 间 尺度等不同的检 测 单 元 角 度 总 结 形 成 了 图 １ 所 示的变化检 测 分 类 体 系 从 检 测 数 据 时 相 来 分 图 １ 变化检测的分类体系 Ｆ １ Ｃｌ ａ ｓ ｓ ｆ ｃ ａ ｔ ｏｎｓｙ ｓ ｔ ｅｍｏ ｆｃｈａｎｇｅｄｅ ｔ ｅ ｃ ｔ ｏｎ ｇ 遥感影像变化检 测 分 为 单 时 相 分 类 比 较 法 两 时 相影像变化检测 及 时 间 序 列 变 化 检 测 从 检 测 分 ２ 变化检测方法的发展历程 析粒度来分 主 要 分 为 像 素 亚 像 素 级 变 化 检 测 对象级变化检测 及 场 景 级 变 化 检 测 从 检 测 先 验 信息来分 根据 是 否 有 先 验 数 据 可 以 分 为 监 督 变 化检测及非监督 变 化 检 测 先 验 信 息 可 以 来 源 于 训练好的模型 ＧＩＳ 矢量数据等 从检 测的 维度来 分 可以分为二维变化检测和三维变化检测 从检 测时间尺度来分 可以分为实时变化检测 准实时 变化检测方法的演化史就是对地观测技术 信 息技术 ｎ ｆ ｏ ｒｍａ ｔ ｏｎｔ ｅ ｃ ｈｎｏ ｌ ｏｇｙ ＩＴ 人 工 智 能 等 的发展史 遥感影像分辨率的提高 ＩＴ 技术的进化 人工智能的新崛起深深影响了变化检 测方 法 的发 展 本文总结了变化检测方法发展的时间脉络图 如图２所示 主要包括以下几个典型的发展阶段 图 ２ 变化检测方法发展的时间脉络图 Ｆ ２ ＴｈｅＤｅ ｖｅ ｌ ｏｐｍｅｎ ｔｔｍｅ ｌ ｎｅｏ ｆｃｈａｎｇｅｄｅ ｔ ｅ ｃ ｔ ｏｎａｐｐ ｒ ｏａ ｃｈｅ ｓ ｇ

3 第 43 卷第 12 期眭海刚等 : 多时相遥感影像变化检测方法综述 ) 初始发展期 (20 世纪 80 年代 ), 主要以像元级统计方法为主 以独立的像元作为检测单元, 主要针对中低分辨率遥感影像, 通过逐像素地分析像元光谱差异提取变化信息, 主要包括直接 [20 24] 比较法 图像变换类方法 分类后比较法等 2) 第一次高潮 (20 世纪 90 年代 ), 主要是机器学习带来了生机 随着支持向量机 (suppor tingvector machine,svm) [25 27] 决策树 (deci siontree,dt) [28 30] 随机森林 (randomforest, RF) [31 33] 多核学习 (multi kernel learning, ML) [34] 人工神经网络 (artificialneuralnet work,ann) [35 36] 极限学习机 (extremelearning machine,elm) [37 38] 等机器学习方法广泛应用于遥感影像分类中,GIS 等多种信息辅助分类也得 [39 40] 到广泛应用, 这些理论和方法提高了影像变化检测的精度 3) 第二次高潮 ( 年 ), 对象级变化检测引起了各种关注 伴随着高空间分辨率遥感影像的商业化, 面向对象影像分析技术 (object basedimageanalysis,obia) 被引入高分辨率遥感影像分析中, 变化检测的基本单元由像素逐渐过渡到对象 基于像素的直接比较法 分类后比较法 栅格 GIS 矢量集成法等较成熟的方法, 慢慢地也被引入面向对象的高分辨率遥感影像变化检测中 此外, 顾及邻域像素空间关系的方法, 如水平集 (levelset) [41 42] 马尔科夫随机场 (Markov randomfield,mrf) [43 44] 条件随机场 (condi tionalrandomfield,crf) [45 46] 等方法引入到对象级变化检测中, 将光谱和空间信息进行有效结合, 降低了对象级变化检测的不确定性 4) 第三次浪潮 (2010 年以后 ), 大数据和人工智能使变化检测进入新的热潮 随着遥感大数据和人工智能的发展, 深度学习方法迅速被引入遥感影像变化检测领域 作为一种高分辨率遥感数据特征挖掘的有效手段, 深度学习方法为高分影像数据的分类与变化检测提供了一条新的途径 同时, 大数据时代新思维新模式必将对遥感影像变化检测方法产生重大影响, 尽管目前尚未见到相关报道和研究成果 3 变化检测预处理 遥感固有的尺度问题使遥感影像变化检测面临的首要任务就是选择数据源 目前, 变化检测可用的数据来源多种多样, 包括航天 / 航空不同传感器 不同空间尺度的影像数据以及历史的 GIS 矢量等数据 在数据的时相上, 有单时相影像 两时相影像以及时间序列影像 ; 在光谱的波段上, 有全色影像 彩色影像 多光谱影像以及高光谱影像 ; 在数据的类型上, 有影像对影像的变化检测, [18,47] 非影像数据与影像数据对比的变化检测 一般来说, 在影像数据选取时, 使用相同传感器 在每年的相近日期 相似的气候条件和气象条件下拍摄得到数据, 采用相同的预处理方法, 最大限度地消除几何和辐射差异引起的非显著变化是不 [18,47] 同时相选择数据源的基本原则 几何配准误差是变化检测最主要的误差来源之一 如果不能得到较高的影像配准精度, 将会出现大量的伪变化区域, 因此许多变化检测方法, 特别是像素级变化检测方法, 都要求参与变化检 [18,48 50] 测的多时相影像已完成高精度的配准 但对于不少特征级的变化检测方法, 如面向对象法, 由于对提取出的特性或目标进行比较时可采用顾及配准误差的缓冲区分析法, 从而避免了过于苛 [18] 刻的高精确配准要求 此外, 鉴于配准对变化检测的影响, 可将影像配准与变化检测同步进行, 充分利用未变化地物目标作为图像配准的依据, 将影像配准与变化检测整体解求, 从而克服传统方法配准误差的传递和累积, 以提高变化检测的 [18,51] 精度 辐射校正是预处理的另一个重要环节 不同时期的光学遥感影像, 如拍摄季节与日期不同 太阳高度角不同 成像角度不同 气象条件不同等, 都会造成影像辐射值不同, 显著地影响变化检测结果的精度, 所以通常在变化检测之前需要进行 [52] 辐射校正 常用的辐射校正方法包括绝对辐 [18] 射校正和相对辐射校正两种类型 但绝对辐射校正需要大量的成像及其他参数, 因此相对辐射校正是一种更经常采用的方法 相对辐射校正方法将一幅影像作为参考影像, 调整另一幅影像的辐射特性, 使之与参考影像一致, 主要包括图像回归法 伪不变特征法 二元线性回归分析 直方 [53 54] 图匹配法等 其中前 3 种方法多为基于线性模型的方法, 即假设影像间的辐射差异整体上有某种线性一致性 但实际情况下, 不同类型的传感器获取的影像辐射差异通常并不满足线性模型假设 ; 线性模型亦未考虑辐射信息的二维分布特征, 而该特征对变化检测尤为重要 ; 又因参与变化检测的影像间辐射差异主要反映在低频部分, 因此针对影像低频信息进行顾及二维分布的相对辐 [53] 射校正方法常用于变化检测中 需要注意的是, 尽管辐射校正在多时相遥感影像变化分析中

4 1888 武汉大学学报 信息科学版 2018 年 12 月 非常重要, 但并非所有的变化检测方法都需要辐射校正, 比如分类后变化检测方法是没必要进行 [18] 辐射校正的 4 目前主流的变化检测方法 本文重点从变化检测分析的粒度单元上, 总结了像素级 对象级和场景级变化检测 3 个方面的热点方法 首先从像素级的角度出发, 着重总结了基于深度学习的变化检测新方法 ; 从对象级变化检测策略的选择上, 对当前面向对象变化检测主流方法的特点进行了新的归纳 ; 考虑到高分辨率遥感影像场景变化分析也已经成为变化检测一个新的发展方向, 本文对场景变化分析方法也进行了总结 然后, 从变化检测的空间和时间维度两个方面, 重点对三维变化检测方法及时间序列变化检测方法进行了归纳总结 最后, 对变化检测混合类方法, 包括基于过程的混合方法和基于结果的混合方法两个方面, 进行了相应的总结分析 4.1 基于深度学习的变化检测方法 2012 年, 在 ImageNet 挑战赛中, 深度学习的方法夺得第一, 此后, 基于深度学习的变化检测研 [55 60] 究如火如荼 深度学习能够自动 多层次地提取复杂地物的抽象特征已被证明是一种有效的特征学习手段 深度网络提取出的抽象特征对噪声有很强的鲁棒性, 能够处理同源或者异源的多时相遥感影像数据 传统变化检测方法结果的精度对差异图的依赖很大, 但生成差异图的过程会损失很多信息, 导致检测结果精度不稳定 ; 深度学习网络端对端的结构, 使得我们能够直接从多时相遥感影像中获得变化检测结果 经过数年的发展, 众多学者提出了不少基于深度神经网络的变化检测方法, 例如深度信度网络 (deepbeliefnet works,dbn) [59] 栈式自编码神经网络 (stacked auto encoders,sae) [56] 卷积自编码 (convolu tionalauto encoders,cae) [60] PCANet [55] 等 深度学习技术的发展, 尤其是卷积神经网络 (con volutionalneuralnetworks,cnn) [58] 递归神经网络 (recurrentneuralnetworks,rnn) [59] 和深度神经网络 (deepneuralnetworks,dnn) [57], 为像素级变化检测方法注入了新的旺盛生命力 深度神经网络的训练是基于反向传播算法的有监督训练, 因此, 在利用深度神经网络处理遥感图像变化检测问题时, 如何有效获取训练样本是一个值得研究的问题 虽然已经有大量的研究工 作将深度学习应用在多时相遥感影像的变化检测研究上, 但对于高分辨率遥感影像的变化检测而言, 地物有更加丰富的空间 / 形状特征, 如何将深度学习应用于高分辨率遥感影像中, 提取并学习有效的特征, 减少伪变化, 进一步提高变化检测精度, 是未来主要的研究方向 4.2 基于面向对象影像分析的变化检测方法 随着 Hay 和 Niemann [61] 提出了 影像对象 的概念, 各种基于影像分割结果进行影像分析的方法也逐渐出现 影像对象较之单个像素包含了地物更多的整体信息, 基于对象的影像分析方法更接近于人眼识别图像过程 但是一直到分形网络演化算法 (fractal netevolution approach, FNEA) [62] 提出后, 对象级影像分析方法才获得广泛关注, 现已成为一种有效的高空间分辨率影像分析方法 而部分学者认为, 即使是中低分辨率影像, 采取对象级分析方法, 也普遍优于像素级 [63] 方法 现在, 已经有相当多的学者进行了对象级的变化检测方法研究, 普遍获得了较像素级变 [64 67] 化检测方法更优的检测精度 根据变化检测策略的不同, 对象级变化检测 [68 69] 方法大致可以分为直接对象变化检测 同步 [70 71] [72 74] 分割后对象变化检测 分类后变化检测 几个类型 直接对象变化检测方法的核心是对多时相影像分别分割提取影像对象, 然后直接对比不同时相的影像对象, 通过对比对象几何特征如 [75 76] 长度 面积及形状或者光谱纹理特征得到结果 该类方法的影像对象的获取策略可分为两种, 一是只分割一期影像, 另外一期影像通过直接 [75] 叠加分割结果进行变化检测 ; 二是对不同时相影像分别做分割, 通过对比相同位置上的对象进行变化检测 虽然顾及了所有对象, 但是该类方法由于分割结果的不同难以进行对象分析, 且要求分割方法能真正意义上把对象分割开来, 变化 [76] 检测精度严重依赖分割结果 同步分割后对象变化检测方法的思想是多时相数据相互叠加同时参与分割提取影像对象, 获取在多时相影像上形状 大小 位置上一致的分割对象 这种方法受多时相数据配准精度的影响较大, 且由于分割时同时使用来自多时相影像的特征参数, 异质性增大, 分割结果往往存在过分割和边界破碎对象现 [77 78] 象, 需要一定的后处理补充 分类后变化检测方法是比较经典的方法, 对不同时相影像分别进行独立面向对象影像分类, 然后再进行对象所 [77] 属类别 几何形状及空间上下文信息等对比分析, 获取变化区域及变化轨迹

5 第 43 卷第 12 期眭海刚等 : 多时相遥感影像变化检测方法综述 1889 区别于像素级方法, 对象级变化检测最重要的一个环节就是影像分割, 众多学者提出了各种 [78] 分割方法, 但是这些方法仍然各自有特定的适用场景和条件 在未来的对象级变化检测研究中, 影像分割技术仍然是需要进一步深入研究的内容 另外, 当前流行的影像分割方法普遍需要尺度参数, 由于尺度参数的设置非常重要又很困难, 设置的任何单一尺度参数都可能造成某些地物的 过分割 或 欠分割, 因此需要加强最优尺度 自适应尺度乃至全尺度分割方法的理论研 [79] 究 此外, 随着人工智能技术的快速发展, 利用卷积神经网络辅助完成影像自适应多尺度分割 [80] 也是一个研究趋势 4.3 场景变化分析方法近年来, 高分辨率遥感场景识别也已经成为遥感影像分析的一个新的发展方向 视觉词袋模型 (bag of visual words,bovw) 是一种能够获取遥感场景主题地物统计特征的有效且稳健的特 [81 82] 征编码方式 它能够提供中层次特征表达来跨越影像低层次特征和人类高层次概念之间的巨大语义鸿沟 场景变化分析 (scenechangedetec tion) [83 84] 就是在语义层次分析多时相对应场景的语义类别是否发生变化以及发生了何种变化 由于地物变化有其规律性, 基于语义的场景变化检测大有潜力 相比场景识别, 场景变化检测研究一直没有得到重视 这主要是因为自然影像场景间并不存在明显的时空关联性, 时空自然场景 [85 88] 分析没有应用目标 但是对于遥感影像场景研究来说, 多时相高分辨率遥感影像内的场景是具有对应性的, 遥感场景类别的变化反映出该区域语义层次的土地利用变化 相比较在低层次分析道路变化 建筑物变化和植被变化, 在语义层次分析居民区变化和工业区变化更能够为城市研究提供符合人类语义概念的信息 由于遥感影像场景内部地物分布的多样性, 很难直接从影像的像素级底层特征直接进行场景语义解译, 存在 语义 [89 92] 鸿沟 问题 近年来, 随着各种数据库的积累 开源地理信息的极大丰富 大数据技术的快速发展, 相信这一问题会在未来得到解决 除了场景识别本身的难题, 场景变化分析还存在其独特的研究难题 遥感影像场景中往往包含大量不同的主题地物 ( 例如建筑物 植被 道路等 ), 但是场景内部地物的变化并不能直接导致场 [83 84] 景类型的变化 一个工业区遥感场景可以包含多种地物类型, 如建筑物 道路 硬化地面 植被和空置地等 在传统的面向像素或者面向对象的 变化检测中, 可以检测出厂房进行了翻新, 厂区内栽植了新的植被, 空置地上修建了新的建筑 开辟了新的道路等地物变化 但是, 这些场景内部地物的变化并不能代表着这一工厂区变化成为了住宅区或者商业区 由此可以看出, 低层次地物变化与高层次场景语义变化之间也存在 时空语义 [83 84] 鸿沟 问题 4.4 三维变化检测方法当前较为成熟的二维变化检测方法大都应用于中低分辨率遥感影像, 当然高分辨率二维变化 [62] 检测方法也有部分较为成功的应用 随着影像分辨率的提高, 成像视角的不同将导致更为严重的透视形变, 二维变化检测中要求的严格像素级配准难以实现, 而且二维变化检测缺乏在三维空间中的感知能力, 即二维变化检测仅能检测平面上的变化, 对高度上的变化则无能为力, 如建筑物的监测 滑坡灾害或者矿山开采中的土方量量测等 对于此类应用, 三维变化检测的优势不言而喻, 但三维变化检测面临的最大问题是三维数据获取的高成本及高难度 如传统航空机载激光雷达 (lightdetectionandranging,lidar) [93 96] 可获取地物的高程信息, 但耗费大量的人力物力, 点云后处理同样面临着诸多问题 ; 影像密集匹配技术亦提供了新的获取三维信息的手段, 但不可 [97 99] 避免地存在误匹配 由于三维变化检测增加了新的数据维度, 因此还将面临三维数据本身的 [99] 不确定性问题, 以及三维信息和二维影像的异质数据间的融合问题 根据三维变化检测中三维信息使用的不同, 三维变化检测方法大致可以分为几何信息直接比 [ ] 较的方法和几何信息与光谱信息相结合的 [ ] 方法 几何信息直接比较的方法中较为常用的方法包括两种 一种是直接利用高度进行差值变化检测方法, 如利用从点云数据中获取的数字表面模型 (digitalsurfacemodel,dsm) 直接进行差分获取高度上的变化, 可适用于较大的场景变化检测需求 但由于其方法本质上还是二维的, 因此高程的变化阈值难以确定, 亦受高程数据的基准影响, 对错误配准及误匹配敏感, 检测结果 [ ] 中虚警率较高 另一种是计算三维物体表面欧氏距离的三维变化检测以及利用三维数据进行反投影计算差异的变化检测方法, 它们都要求三维数据本身的准确性较高, 且计算都较为复杂, [ ] 较难实现 ; 三维几何信息与光谱信息相结合的方法又可分为特征融合变化检测方法以及分类后变化检测方法, 前者通过融合算法同时利用

6 1890 武汉大学学报 信息科学版 2018 年 12 月 三维信息和光谱特征来获取变化, 亦可融入其他数据源, 但方法中不恰当的参数可能会导致错误 [106] 累加传递到最终结果, 后者则直接利用分类 [ ] 后的对象标签进行变化检测分析, 虽然引入三维信息的分类可以极大地提高分类或对象检测精度, 但检测结果高度依赖分类方法的准确性, 对训练样本的采集及特征设计要求很高 近年来, 无人机低空遥感技术特别是倾斜摄影测量技术迅速发展, 具有低成本 灵活 安全 高时效及高空间分辨率的特点 特别是低空无人机通常在云层下面飞行, 弥补了卫星遥感和航空摄影经常受云层遮挡无法获取地面影像的不足, 能快速提供目标区域高时间分辨率数据, 有效弥补卫星遥感 航空遥感在现势性上的不足 通过高重叠度覆盖目标区并利用影像密集匹配技术获取目标区地物的高程信息, 将影像密集匹配点云 / 三维信息, 与二维影像结合进行三维变化检测, 可提 [109] 高变化检测结果的精度和可靠性 三维变化检测技术的发展能辅助许多现存的或新的应用场景, 对于三维变化检测的需求在更多的领域中正在不断增长 4.5 时间序列变化检测方法 时间序列变化检测方法主要针对长时间序列遥感影像的时间趋势分析 相比两时相影像的变化检测方法, 时间趋势分析对遥感影像时间分辨率要求比较高, 更聚焦于中低空间分辨率图像, 如 AVHRR (advanced very high resolution radio meter) 和 MODIS(moderateresolutionimaging spectroradiometer) 使用这些影像, 空间细节的损失使得自动分类的精度非常低, 因而时间序列分析通常只用于大面积目标的变化分析, 如植被 [110] 变化 土地覆盖变化等 定量参数如归一化植被指数 土地覆盖面积等常作为度量的变量用于时间序列影像变化检测中 时间序列变化检测方法可以分解为若干个两时相影像单独变化检测处理再进行集成, 也可以作为一个整体采用时间序列分析法描述事物随时 [11] 间发展变化的数量规律性 赵忠明等对遥感时间序列影像变化检测研究进行了系统总结, 并评述了当前遥感时间序列影像变化检测的相关研究进展和应用状况, 重点介绍了基于经验模态分解的遥感时间序列影像异常信息检测方法和基于隐马尔科夫模型的土地利用 / 覆盖变化检测方法, [111] 以期能够为相关研究提供参考 Liu 等将时间序列变化分为长期趋势变动 季节变动 周期波动和不规则变动, 广泛使用趋势图直接预测法 移 动平均法 回归法和时间序列谐波分析法等研究时变规律 利用遥感影像变化检测技术研究地表的变化规律和变化趋势时, 需要长期的变化监测影像 主要是通过比较各种变化检测指标的年际曲线或生长期曲线的差异获取变化信息 目前, 标准主成分分析和变化向量分析方法是基于遥感数据时间序列曲线进行土地覆盖变化分析的较为 [112] 常用的两种方法 Zhou 等提出了利用多时相分类影像构造土地覆盖类型变化轨迹, 并在此基础上对各种变化轨迹根据其驱动力分类的轨迹分类方法 动态贝叶斯网络利用时序动态数据产生可靠概率推理, 可以实现遥感影像变化检测从静 [113] 态到动态分析 欧阳 等利用北京 3 个时期的 TM 影像, 研究了动态贝叶斯网络用于多时相遥感变化检测的理论和方法 构成时间序列影像数据的另一关注点是遥感视频数据, 虽然传统的视频检测主要基于通常的地面视频监视, 多应用于银行 交通和生产车间 但随着遥感技术的快速发展, 越来越多的航空和卫星平台的视频获取渐成现实, 因此基于遥感视频的实时变化检测越来越重要 视频监视序列影像时间采样率高 数据量非常大, 相邻两帧影像变形大, 成像较模糊, 给变化检测带来了新的挑战 尽管可以借鉴传统地面视频影像处理中的光流技 [ ] 术 Kalman 滤波跟踪 背景建模等技术, 但在广阔范围内对地目标及过程进行动态监测技术仍需深入研究 4.6 混合方法 混合方法是指综合运用上述方法中的两种或两种以上方法进行变化检测处理, 包括两方面内容 一是在检测的不同阶段和步骤中使用不同的检测方法进行处理, 即基于过程的混合方法 ; 二是分别使用不同的变化检测方法对各自的结果进行 [117] 综合分析, 即基于结果的混合方法 混合法的优势在于综合多种方法的优点获得更好的变化检测结果, 然而对于特定的应用, 怎样选择混合方法, 怎样协调多种方法的检测结果是十分困难的, 这些问题可能导致算法复杂, 效率降低 基于过程的混合变化检测法常见的组合为分类法与面向 [118] 对象法混合 分类法和代数法混合等 Li 等 通过监督分类 边缘检测和多项式拟合等步骤检测提取遥感影像上的特定目标, 再进行目标级的形状比较, 获取变化检测结果, 对湖泊变化 长期气候变迁和洪水变化检测效果显著 Warner [119] 将变化矢量分析的结果再进行监督分类, 直接获 [120] 取不同的变化类型 ;Michener 等利用多时相

7 第 43 卷第 12 期眭海刚等 : 多时相遥感影像变化检测方法综述 1891 SPOT 数据检测洪水淹没的植被区域, 发现基于植被指数的分类法比单独的分类法检测精度高 基于结果的混合变化检测方法一般使用决策级的 [ ] 融合策略如投票法 模糊逻辑法等 目前的混合方法通常将像素 目标和类别进行综合比较, 一般能够提高变化检测的准确度 不过大部分方法只是特征和模型数量上的加减, 混合处理环节割裂, 综合决策分析的权重不易选取, 造成混合法算法复杂, 而且效果并不显著 混合方法理论上是一种很好的方法, 然而给定应用很难选择方法和过程的组合, 这些原因限制了混合法的广泛使用 5 精度评价 精度评估对于理解变化检测结果和最终决策是十分重要的 变化检测的精度依赖许多因素, 如精确的几何和辐射校正 地面真值数据的获取 地面景观的复杂性 变化检测方法 分析者的知识 [3,24] 与经验 时间与成本限制等 本文根据变化检测的精度评估层次, 可将变化检测的误差矩阵分为简单变化检测误差矩阵和分类变化检测误差 [124] 矩阵 误差矩阵和 Kappa 系数评价方法是最成熟 最常用的变化检测精度评估方法 近年来, 一些新的方法也被用来对土地覆盖变化检测结果 [125] 进行分析与评价 Nemmour 等提出了模糊逻辑误差矩阵和接受操作特性的变化检测精度评估方法 Morisete [126] 利用精度评价曲线分析了基于遥感数据的变化检测结果 Lowel [127] 发展了一种基于面积的土地覆盖变化检测精度评价方 [111] 法 Liu 等提出了根据检测变化在时间上前因后果的合理性对变化检测结果进行评估的方 [128] 法 Biging 等在专著中重点探讨了土地覆盖变化检测的精度评价的方法, 详细分析了影响评价精度的各种数据处理要素, 介绍了建立误差矩阵的样点选取方法, 对各种评价方法的适用性进行了分析, 并举例说明了各种评价方法的实际应用 总体而言, 目前变化检测的精度评估主要是基于像素级的, 误差矩阵是最常用 最成熟的精度评估方法 ; 对长时间序列影像变化检测的精度评估需要加强研究, 特别是对缺乏变化真值情况下的精度评估技术有待从新的角度考虑 ; 缺乏特征级的精度评估方法, 面向对象变化检测法与其他变化检测方法的精度评估研究几乎是空白, 有待深入研究 6 结语 由于遥感影像变化检测本质上是一个不完备的信息反演问题, 面临着许多实际待解决的问题, 需要综合利用多源信息 先验信息及智能化的方法共同解决这一难题 从当前变化检测的研究现状来说, 可选的变化检测方法种类非常多, 不同方法适合不同的情况 理想的变化检测解决方案应该是能够提供一个集成多源数据 整体处理 智能化方法和先验知识指导的灵活框架 随着遥感技术 IT 技术 人工智能 大数据等的不断发展和应用领域的拓展, 变化检测的自动化 实时化和在轨化智能处理的需求日渐显现, 变化检测技术需要解决影像全自动配准 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等关键性难题, 还要解决从时空大数据库中自动进行数据挖掘和知识自动发现等问题, 以构建智能化的变化检测系统 参考文献 [1] AshbinduS.Review ArticleDigitalChangeDetec tiontechniques Using Remotely Sensed Data [J]. 犐狀狋犲狉狀犪狋犻狅狀犪犾犑狅狌狉狀犪犾狅犳犚犲犿狅狋犲犛犲狀狊犻狀犵,2010,10 (6): [2] BruzzoneL,BovoloF.A NovelFrameworkforthe DesignofChange DetectionSystemsforVery High ResolutionRemoteSensingImages[J]. 犘狉狅犮犲犲犱犻狀犵狊狅犳狋犺犲犐犈犈犈,2013,101(3): [3] RadkeR J,Andra S,Alkofahi O,etal.Image ChangeDetectionAlgorithms:ASystematicSurvey [J]. 犐犈犈犈犜狉犪狀狊犪犮狋犻狅狀狊狅狀犐犿犪犵犲犘狉狅犮犲狊犻狀犵, 2005,14(3): [4] LiDeren.ChangeDetectionfrom RemoteSensing Images[J]. 犌犲狅犿犪狋犻犮狊犪狀犱犐狀犳狅狉犿犪狋犻狅狀犛犮犻犲狀犮犲狅犳犠狌犺犪狀犝狀犻狏犲狉狊犻狋狔,2003,28(s1):7 12( 李德仁. 利用遥感影像进行变化检测 [J]. 武汉大学学报 信息科学版,2003,28(s1):7 12) [5] VolN.ChangeAnalysisintheUnited ArabEmi rates:aninvestigationoftechniques [J]. 犘犺狅狋狅 犵狉犪犿犿犲狋狉犻犮犈狀犵犻狀犲犲狉犻狀犵犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵, 1999,65(4): [6] MunyatiC.WetlandChangeDetectionontheKafue Flats,Zambia,byClassificationofaMulti temporal RemoteSensingImage Dataset [J]. 犐狀狋犲狉狀犪狋犻狅狀犪犾犑狅狌狉狀犪犾狅犳犚犲犿狅狋犲犛犲狀狊犻狀犵,2000,21(9):

8 1892 武汉大学学报 信息科学版 2018 年 12 月 [7] LiLiang,Shu Ning, Wang Yan.Segment Based Remote Sensing Image Change Detection Using Normalized MutualInformation[J]. 犚犲犿狅狋犲犛犲狀狊犻狀犵犐狀犳狅狉犿犪狋犻狅狀 ( 犜犺犲狅狉犲狋犻犮犪犾犚犲狊犲犪狉犮犺 ),2011,6:18 22 ( 李亮, 舒宁, 王琰. 利用归一化互信息进行基于像斑的遥感影像变化检测 [J]. 遥感信息 ( 理论研究 ), 2011,6:18 22) [8] DescléeB,BogaertP,DefournyP.ForestChange DetectionbyStatisticalObject Based Method [J]. 犚犲犿狅狋犲犛犲狀狊犻狀犵狅犳犈狀狏犻狉狅狀犿犲狀狋,2006,102(1):1 11 [9] Wang Wenjie,ZhaoZhongming,Zhu Haiqing.Ob ject Oriented Multi featurefusionchangedetection MethodforHighResolutionRemoteSensingImage [C].The17thInternationalConferenceon Geoin formatics,fairfax,va,usa,2009 [10]LiLiang,ShuNing,WangKai,etal.ChangeDe tection MethodforRemoteSensingImagesBasedon Multi featuresfusion [J]. 犃犮狋犪犌犲狅犱犪犲狋犻犮犪犲狋犆犪狉 狋狅犵狉犪狆犺犻犮犪犛犻狀犻犮犪,2014,43(9): ( 李亮, 舒宁, 王凯, 等. 融合多特征的遥感影像变化检测方法 [J]. 测绘学报,2014,43(9): ) [11]ZhaoZhongming,MengYu,YueAnzhi,etal.Re view of Remotely Sensed Time Series Data for ChangeDetection[J]. 犑狅狌狉狀犪犾狅犳犚犲犿狅狋犲犛犲狀狊犻狀犵, 2016,20(5): ( 赵忠明, 孟瑜, 岳安志, 等. 遥感时间序列影像变化检测研究进展 [J]. 遥感学报,2016,20(5): ) [12]LiQuan,Zhou Xingshe.Multivariate TimeSeries AnomalyDetection Method Basedon KPCA [J]. 犆狅犿狆狌狋犲狉犕犲犪狊狌狉犲犿犲狀狋犪狀犱犆狅狀狋狉狅犾,2011,19(4): ( 李权, 周兴社. 基于 KPCA 的多变量时间序列数据异常检测方法研究 [J]. 计算机测量与控制,2011,19(4): ) [13]AsnerG P,Keler M,PereiraRJ,etal.Remote SensingofSelectiveLoggingin Amazonia [J]. 犚犲 犿狅狋犲犛犲狀狊犻狀犵狅犳犈狀狏犻狉狅狀犿犲狀狋,2002,80(3): [14]ChenGang,HayGJ,CarvalhoL M T,etal.Ob ject Based Change Detection [J]. 犐狀狋犲狉狀犪狋犻狅狀犪犾犑狅狌狉狀犪犾狅犳犚犲犿狅狋犲犛犲狀狊犻狀犵,2012,33(14): [15]ZanetiM,BruzzoneL.A TheoreticalFramework forchangedetectionbasedonacompound Multi classstatisticalmodelofthediferenceimage[j]. 犐犈犈犈犜狉犪狀狊犪犮狋犻狅狀狊狅狀犌犲狅狊犮犻犲狀犮犲犪狀犱犚犲犿狅狋犲犛犲狀 狊犻狀犵,2018,99:1 15 [16] Bovolo F,Bruzzone L.An Adaptive Multiscale Random Field Techniquefor Unsupervised Change DetectioninVHR MultitemporalImages[C].IEEE InternationalGeoscienceand RemoteSensingSym posium,capetown,southafrica,2009 [17]Zhou Qiming.Review onchangedetection Using Multi temporalremotelysensedimagery [J]. 犌犲狅 犿犪狋犻犮狊犠狅狉犾犱,2011,9(2):28 33 ( 周启鸣. 多时相遥感影像变化检测综述 [J]. 地理信息世界,2011, 9(2):28 33) [18] Sui Haigang,Zhou Qiming,GongJianya,etal. Processingof Multi temporaldataandchangede tection [M]//LiZ L,ChenJ,BaltsaviasE.Ad vancesin Photogrammetry, Remote Sensing and SpatialInformationSciences.London:Taylorand FrancisGroup,2008: [19]LiDeren.RemotelySensedImagesand GIS Data FusionforAutomaticChangeDetection [J]. 犐狀狋犲狉 狀犪狋犻狅狀犪犾犑狅狌狉狀犪犾狅犳犐犿犪犵犲犪狀犱犇犪狋犪犉狌狊犻狅狀,2010, 1(1): [20]Hussain M,ChenD,ChengA,etal.ChangeDe tectionfrom RemotelySensedImages:From Pixel Based to Object Based Approaches [J]. 犐犛犘犚犛犑狅狌狉狀犪犾狅犳犘犺狅狋狅犵狉犪犿犿犲狋狉狔犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵, 2013,80(2): [21]Karantzalos K.Recent Advances on 2D and 3D ChangeDetectioninUrbanEnvironmentsfrom Re motesensingdata [J]. 犆狅犿狆狌狋犪狋犻狅狀犪犾犃狆狆狉狅犪犮犺犲狊犳狅狉犝狉犫犪狀犈狀狏犻狉狅狀犿犲狀狋狊,2015,13: [22]ZhangLiangpei,WuChen.AdvanceandFutureDe velopmentofchange Detectionfor Multi temporal RemoteSensingImagery [J]. 犃犮狋犪犌犲狅犱犪犲狋犻犮犪犲狋犆犪狉狋狅犵狉犪狆犺犻犮犪犛犻狀犻犮犪,2017,46(10): ( 张良培, 武辰. 多时相遥感影像变化检测的现状与展望 [J]. 测绘学报,2017,46(10): ) [23]CoppinP,JonckheereI,NackaertsK,etal.Review ArticleDigitalChange Detection Methodsin Eco system Monitoring:A Review [J]. 犐狀狋犲狉狀犪狋犻狅狀犪犾犑狅狌狉狀犪犾狅犳犚犲犿狅狋犲犛犲狀狊犻狀犵,2004,25(9): [24]LuD,MauselP,BrondízioE,etal.ChangeDetec tiontechniques [J]. 犐狀狋犲狉狀犪狋犻狅狀犪犾犑狅狌狉狀犪犾狅犳犚犲 犿狅狋犲犛犲狀狊犻狀犵,2004,25(12): [25]CaoG,LiY,LiuY,etal.AutomaticChangeDe tectionin High Resolution Remote SensingImages by MeansofLevelSetEvolutionandSupportVec tormachineclassification [J]. 犐狀狋犲狉狀犪狋犻狅狀犪犾犑狅狌狉 狀犪犾狅犳犚犲犿狅狋犲犛犲狀狊犻狀犵,2014,35(16): [26]LiPJ,Xu H Q.Land CoverChangeDetectionU

9 第 43 卷第 12 期眭海刚等 : 多时相遥感影像变化检测方法综述 1893 singone ClassSupportVector Machine [J]. 犘犺狅 狋狅犵狉犪犿犿犲狋狉犻犮犈狀犵犻狀犲犲狉犻狀犵犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵, 2010,76(3): [27]YangZ,Qin Q,Zhang Q.Change Detectionin HighSpatialResolutionImagesBasedon Support VectorMachine[C].IEEEInternationalConference on Geoscience and Remote Sensing Symposium, Denver,USA,2006 [28]HuangX,XieY,WeiJ,etal.AutomaticRecogni tionofdesertificationinformationbasedonthepat ternofchangedetection CARTDecisionTree[J]. 犑狅狌狉狀犪犾狅犳犆犪狋犪狊狋狉狅狆犺狅犾狅犵狔,2017,32(1):36 42 [29]ZhangZ,LiA N,LeiG,etal.ChangeDetectionof RemoteSensingImages Basedon MultiscaleSeg mentationanddecisiontreealgorithmovermoun tainousarea:a CaseStudyin PanxiRegion,Si chuanprovince[j]. 犃犮狋犪犈犮狅犾狅犵犻犮犪犛犻狀犻犮犪,2014, 34(24): [30]ImJ,JensenJR.AChangeDetectionModelBased on Neighborhood CorrelationImage Analysisand DecisionTreeClassification[J]. 犚犲犿狅狋犲犛犲狀狊犻狀犵狅犳犈狀狏犻狉狅狀犿犲狀狋,2005,99(3): [31] Molinier M,Oleg A,Teemu M,etal.Clear Cut MappinginLandsat8ImageswithaChangeDetec tionmethodbasedontherandomforestalgorithm [C].International Workshop on the Analysis of Multi temporalremote SensingImages,Annecy, France,2015 [32]SeoD K,YongH K,YangDE,etal.Generation of Radiometric, Phenological Normalized Image BasedonRandomForestRegressionforChangeDe tection [J]. 犚犲犿狅狋犲犛犲狀狊犻狀犵,2017,9(11): [33]LiuD,Song K,TownshendJR G,etal.Using LocalTransitionProbabilityModelsinMarkovRan domfieldsforforestchangedetection[j]. 犚犲犿狅狋犲犛犲狀狊犻狀犵狅犳犈狀狏犻狉狅狀犿犲狀狋,2008,112(5): [34]JiaL,LiM,ZhangP,etal.SARImageChange DetectionBasedonMultipleKernel 犽 MeansCluste ring with Local Neighborhood Information [J]. 犐犈犈犈犌犲狅狊犮犻犲狀犮犲犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵犔犲狋犲狉狊, 2016,13(6): [35] Lv H,Lu H, Mou L.Learninga Transferable ChangeRulefromaRecurrentNeuralNetworkfor LandCoverChangeDetection[J]. 犚犲犿狅狋犲犛犲狀狊犻狀犵, 2016,8(6): [36] WangQ,ShiW,AtkinsonP M,etal.LandCover Change Detection at Subpixel Resolution with a Hopfield NeuralNetwork [J]. 犐犈犈犈犑狅狌狉狀犪犾狅犳犛犲犾犲犮狋犲犱犜狅狆犻犮狊犻狀犃狆狆犾犻犲犱犈犪狉狋犺犗犫狊犲狉狏犪狋犻狅狀狊犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵,2015,8(3): [37]JiaL,LiM,ZhangP,etal.SARImageChange DetectionBasedon Correlation Kerneland Multi stageextremelearningmachine[j]. 犐犈犈犈犜狉犪狀狊 犪犮狋犻狅狀狊狅狀犌犲狅狊犮犻犲狀犮犲犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵,2016,54 (10): [38]ChangNB,Han M,Yao W,etal.ChangeDetec tionofland UseandLandCoverinan UrbanRe gionwithspot 5ImagesandPartialLanczosEx tremelearning Machine [J]. 犑狅狌狉狀犪犾狅犳犃狆狆犾犻犲犱犚犲犿狅狋犲犛犲狀狊犻狀犵,2010,4(1): [39]PijanowskiBC,BrownD G,ShelitoB A,etal. UsingNeuralNetworksand GIStoForecastLand UseChanges:A LandTransformation Model[J]. 犆狅犿狆狌狋犲狉狊犈狀狏犻狉狅狀犿犲狀狋犪狀犱犝狉犫犪狀犛狔狊狋犲犿狊,2002, 26(6): [40]Chen Xiuwan.Using RemoteSensingand GISto AnalyzeLandCoverChangeandItsImpactsonRe gionalsustainabledevelopment [J]. 犐狀狋犲狉狀犪狋犻狅狀犪犾犑狅狌狉狀犪犾狅犳犚犲犿狅狋犲犛犲狀狊犻狀犵,2002,23(1): [41]Hao M,Shi W,Zhang H,et al. Unsupervised Change Detection with Expectation Maximization BasedLevelSet[J]. 犐犈犈犈犌犲狅狊犮犻犲狀犮犲犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵犔犲狋犲狉狊,2013,11(1): [42]CaoG,LiuY,ShangY.AutomaticChangeDetec tionin Remote Sensing Images Using Level Set Methodwith NeighborhoodConstraints[J]. 犑狅狌狉 狀犪犾狅犳犃狆狆犾犻犲犱犚犲犿狅狋犲犛犲狀狊犻狀犵,2014,8(1): [43]BruzzoneL,Prieto D.Automatic Analysisofthe DiferenceImagefor Unsupervised Change Detec tion[j]. 犐犈犈犈犜狉犪狀狊犪犮狋犻狅狀狊狅狀犌犲狅狊犮犻犲狀犮犲犪狀犱犚犲 犿狅狋犲犛犲狀狊犻狀犵,2000,38(3): [44]Hao M,Zhang H,Shi W,etal. Unsupervised Change Detection Using Fuzzy Means and MRF from RemotelySensedImages[J]. 犚犲犿狅狋犲犛犲狀狊犻狀犵犔犲狋犲狉狊,2013,4(12): [45]ZhouL,CaoG,LiY,etal.ChangeDetectionBased onconditionalrandom Field with RegionConnec tionconstraintsinhigh ResolutionRemoteSensing Images[J]. 犐犈犈犈犑狅狌狉狀犪犾狅犳犛犲犾犲犮狋犲犱犜狅狆犻犮狊犻狀犃狆狆犾犻犲犱犈犪狉狋犺犗犫狊犲狉狏犪狋犻狅狀狊犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵, 2016,9(8): [46] Cao G,Zhou L,Li Y.A New Change Detection MethodinHigh ResolutionRemoteSensingImages

10 1894 武汉大学学报 信息科学版 2018 年 12 月 Basedona ConditionalRandom Field Model[J]. 犐狀狋犲狉狀犪狋犻狅狀犪犾犑狅狌狉狀犪犾狅犳犚犲犿狅狋犲犛犲狀狊犻狀犵,2016,37 (5): [47]TongGuofeng,LiYong,DingWeili,etal.Review ofremotesensingimage Change Detection [J]. 犑狅狌狉狀犪犾狅犳犐犿犪犵犲犪狀犱犌狉犪狆犺犻犮狊,2015,20(12): ( 佟国峰, 李勇, 丁伟利, 等. 遥感影像变化检测算法综述 [J]. 中国图象图形学报,2015, 20(12): ) [48]StowDA,ChenD M.SensitivityofMulti temporal NOAA AVHRR Dataofan Urbanizing Regionto Land Use/Land CoverChangesand Misregistration [J]. 犚犲犿狅狋犲犛犲狀狊犻狀犵狅犳犈狀狏犻狉狅狀犿犲狀狋,2002,80 (2): [49]Chen G,Zhao K,Powers R.Assessmentofthe Image Misregistration Efects on Object Based ChangeDetection[J]. 犐犛犘犚犛犑狅狌狉狀犪犾狅犳犘犺狅狋狅 犵狉犪犿犿犲狋狉狔犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵,2014,87(19):19 27 [50]BovoloF,BruzzoneL.A TheoreticalFramework for Unsupervised Change Detection Based on ChangeVector AnalysisinthePolarDomain[J]. 犐犈犈犈犜狉犪狀狊犪犮狋犻狅狀狊狅狀犌犲狅狊犮犻犲狀犮犲犪狀犱犚犲犿狅狋犲犛犲狀 狊犻狀犵,2007,45(1): [51]Zhang Xiaodong,LiDeren,GongJianya,etal.A Change Detection Method ofintegrating Remote Sensingand GIS [J]. 犌犲狅犿犪狋犻犮狊犪狀犱犐狀犳狅狉犿犪狋犻狅狀犛犮犻犲狀犮犲狅犳犠狌犺犪狀犝狀犻狏犲狉狊犻狋狔,2006,31(3): ( 张晓东, 李德仁, 龚健雅, 等. 遥感影像与 GIS 分析相结合的变化检测方法 [J]. 武汉大学学报 信息科学版,2006,31(3): ) [52]PaoliniL,GringsF,SobrinoJA,etal.Radiomet riccorrectionefectsinlandsat Multi date/multi sensorchangedetectionstudies [J]. 犐狀狋犲狉狀犪狋犻狅狀犪犾犑狅狌狉狀犪犾狅犳犚犲犿狅狋犲犛犲狀狊犻狀犵,2006,27(4): [53]Li Wenzhuo,Sun Kaimin,Zhang Hongya.Algo rithmforrelativeradiometricconsistencyprocess ofremotesensingimagesbasedonobject Oriented SmoothingandContourletTransforms[J]. 犑狅狌狉狀犪犾狅犳犃狆狆犾犻犲犱犚犲犿狅狋犲犛犲狀狊犻狀犵,2014,8(1): [54]ZhangP Q,Xu ChuY,LiuZ,etal.A Studyon Relative Radiometric Correctionof Multi temporal RemoteSensingImages [J]. 犑狅狌狉狀犪犾狅犳犚犲犿狅狋犲犛犲狀狊犻狀犵,2006,10(3): [55]GaoF,DongJY,LiB,etal.AutomaticChange DetectioninSyntheticApertureRadarImagesBased on PCANet[J]. 犐犈犈犈犌犲狅狊犮犻犲狀犮犲犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵犔犲狋犲狉狊,2017,13(12): [56]GengJ,WangH Y,FanJC,etal.ChangeDetec tionofsarimagesbasedonsupervisedcontractive Auto encodersandfuzzyclustering [C].2017In ternationalworkshoponremotesensingwithintel ligentprocessing (RSIP),Shanghai,China,2017 [57]Gong M,ZhaoJ,LiuJ,etal.ChangeDetectionin Synthetic Aperture RadarImages Based on Deep NeuralNetworks[J]. 犐犈犈犈犜狉犪狀狊犪犮狋犻狅狀狊狅狀犖犲狌 狉犪犾犖犲狋狑狅狉犽狊犪狀犱犔犲犪狉狀犻狀犵犛狔狊狋犲犿狊,2016,27(1): [58]ZhangH,Gong M G,ZhangPZ,etal.Feature LevelChangeDetection UsingDeepRepresentation and Feature Change Analysis for Multispectral Imagery[J]. 犐犈犈犈犌犲狅狊犮犻犲狀犮犲犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵犔犲狋犲狉狊,2016,13(11): [59]Gong M G,ZhanT,ZhangPZ,etal.Superpixel Based Diference Representation Learning for ChangeDetectionin MultispectralRemoteSensing Images[J]. 犐犈犈犈犜狉犪狀狊犪犮狋犻狅狀狊狅狀犌犲狅狊犮犻犲狀犮犲犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵,2017,55(5): [60]SuLZ,GongM G,ZhangPZ,etal.DeepLearn ingand Mapping Based Ternary Change Detection forinformation UnbalancedImages [J]. 犘犪狋犲狉狀犚犲犮狅犵狀犻狋犻狅狀,2017,66(C): [61]HayGJ,NiemannK O.Visualizing3 DTexture: A Three DimensionalStructureApproachto Model ForestTexture [J]. 犆犪狀犪犱犻犪狀犑狅狌狉狀犪犾狅犳犚犲犿狅狋犲犛犲狀狊犻狀犵,1994,20(2): [62]BaatzM,Sch pea.anoptimizationapproachfor High Quality Multi scaleimagesegmentation[c]. Beitr gezum AGIT Symposium,Karlsruhe,Ger many,2000 [63]PeiHuan,SunTianjiao,WangXiaoyan.Object O riented Land Use/Cover Classification Based on Texture Features of Landsat8 OLI Image [J]. 犜狉犪狀狊犪犮狋犻狅狀狊狅犳狋犺犲犆犺犻狀犲狊犲犛狅犮犻犲狋狔狅犳犃犵狉犻犮狌犾狋狌 狉犪犾犈狀犵犻狀犲犲狉犻狀犵,2018,34(2): ( 裴欢, 孙天娇, 王晓妍. 基于 Landsat8OLI 影像纹理特征的面向对象土地利用 / 覆盖分类 [J]. 农业工程学报, 2018,34(2): ) [64]CaiS,Liu D.A ComparisonofObject Basedand ContextualPixel Based Classifications Using High and MediumSpatialResolutionImages[J]. 犚犲犿狅狋犲犛犲狀狊犻狀犵犔犲狋犲狉狊,2013,4(10): [65]ZhangP,LvZ,ShiW.Object BasedSpatialFea tureforclassificationofvery HighResolutionRe motesensingimages[j]. 犐犈犈犈犌犲狅狊犮犻犲狀犮犲犪狀犱犚犲 犿狅狋犲犛犲狀狊犻狀犵犔犲狋犲狉狊,2013,10(6):

11 第 43 卷第 12 期眭海刚等 : 多时相遥感影像变化检测方法综述 1895 [66]MahmoudiFT,SamadzadeganF,ReinartzP.Con textawaremodificationontheobjectbasedimage Analysis[J]. 犑狅狌狉狀犪犾狅犳狋犺犲犐狀犱犻犪狀犛狅犮犻犲狋狔狅犳犚犲 犿狅狋犲犛犲狀狊犻狀犵,2015,43(4): [67]Roelfsema C. High Spatial Resolution Remote SensingforEnvironmentalMonitoringand Manage mentpreface [J]. 犛狆犪狋犻犪犾犛犮犻犲狀犮犲,2008,53(1): [68]Zhou W,Troy A,Grove M.Object Based Land CoverClassificationandChangeAnalysisintheBal timore Metropolitan Area Using Multitemporal High Resolution RemoteSensing Data [J]. 犛犲狀 狊狅狉狊,2008,8(3): [69]LefebvreA,CorpetiT,Hubert MoyL.Object O rientedapproachandtextureanalysisforchange Detectionin very High Resolution Images[C]. IEEEInternationalGeoscienceandRemoteSensing Symposium,Boston,USA,2009 [70]ChantT D,Kely M,HuangB.IndividualObject Change Detectionfor MonitoringtheImpactofa ForestPathogenonaHardwoodForest[J]. 犘犺狅狋狅 犵狉犪犿犿犲狋狉犻犮犈狀犵犻狀犲犲狉犻狀犵犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵, 2009,75(8): [71]Stow D. Handbook of Applied Spatial Analysis [M].New York:Springer,2010 [72]HuangJ,ShenS.LandUseChangeDetectionUsing HighSpatialResolutionRemotelySensedImageand GISData[J]. 犑狅狌狉狀犪犾狅犳犢犪狀犵狋狕犲犚犻狏犲狉犛犮犻犲狀狋犻犳犻犮犚犲狊犲犪狉犮犺犐狀狊狋犻狋狌狋犲,2012,29(1):49 52 [73]ZhangP,RuanB,ChaoJ.An Object BasedBasic Farmland Change Detection Using High Spatial ResolutionImageand GISDataofLand UsePlan ning [J]. 犓犲狔犈狀犵犻狀犲犲狉犻狀犵犕犪狋犲狉犻犪犾狊,2012,500: [74]ToureS,Stow D,Shih H,etal.AnObject Based TemporalInversion Approachto Urban Land Use Change Analysis [J]. 犚犲犿狅狋犲犛犲狀狊犻狀犵犔犲狋犲狉狊, 2016,7(5): [75]Chen Q, Chen Y. Multi feature Object Based Change Detection Using Self Adaptive Weight Change Vector Analysis [J]. 犚犲犿狅狋犲犛犲狀狊犻狀犵, 2016,8(7): [76]DuroDC,FranklinSE,DubéM G.AComparison of Pixel Based and Object Based Image Analysis withselected MachineLearningAlgorithmsforthe Classification of Agricultural Landscapes Using SPOT 5 HRGImagery[J]. 犚犲犿狅狋犲犛犲狀狊犻狀犵狅犳犈狀 狏犻狉狅狀犿犲狀狋,2012,118(6): [77]WangR S M,RobertsS A,Eford N D.Object BasedApproachtoIntegrateRemotelySensedData withgeodata Withina GIS ContextforLand Use ClassificationatUrban RuralFringeArea[J]. 犘狉狅 犮犲犲犱犻狀犵狊狅犳犛犘犐犈 狋犺犲犐狀狋犲狉狀犪狋犻狅狀犪犾犛狅犮犻犲狋狔犳狅狉犗狆狋犻犮犪犾犈狀犵犻狀犲犲狉犻狀犵,1997,3222: [78]ChenYangyang,MingDongping,XuLu,etal.An OverviewofQuantitativeExperimentalMethodsfor Segmentation Evaluation of High Spatial Remote SensingImages [J]. 犑狅狌狉狀犪犾狅犳犌犲狅 犻狀犳狅狉犿犪狋犻狅狀犛犮犻犲狀犮犲,2017,19(6): ( 陈扬洋, 明冬萍, 徐录, 等. 高空间分辨率遥感影像分割定量实验评价方法综述 [J]. 地球信息科学学报,2017,19(6): ) [79]GongJY,SuiH G,SunK M,etal.Object Level ChangeDetection Basedon Ful ScaleImageSeg mentationandits Applicationto Wenchuan Earth quake[j]. 犛犮犻犲狀犮犲犻狀犆犺犻狀犪,2008,51(2): [80]BasaeedE,BhaskarH,HilP,etal.ASupervised HierarchicalSegmentationofRemote SensingIma gesusingacommiteeofmulti scaleconvolutional NeuralNetworks[J]. 犐狀狋犲狉狀犪狋犻狅狀犪犾犑狅狌狉狀犪犾狅犳犚犲 犿狅狋犲犛犲狀狊犻狀犵,2016,37(7): [81]ZhaoB,ZhongY,ZhangL.A Spectral Structural Bag of FeaturesSceneClassifierforveryHighSpa tialresolutionremotesensingimagery[j]. 犐犛犘犚犛犑狅狌狉狀犪犾狅犳犘犺狅狋狅犵狉犪犿犿犲狋狉狔犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵, 2016,116:73 85 [82]Zhu Q,Zhong Y,Zhao B,etal.Bag of Visual WordsSceneClassifierwithLocaland GlobalFea turesfor High SpatialResolution RemoteSensing Imagery[J]. 犐犈犈犈犌犲狅狊犮犻犲狀犮犲犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵犔犲狋犲狉狊,2017,13(6): [83]WuC,ZhangL,DuB.KernelSlowFeatureAnal ysisforscenechangedetection [J]. 犐犈犈犈犜狉犪狀狊 犪犮狋犻狅狀狊狅狀犌犲狅狊犮犻犲狀犮犲犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵,2017 (99):1 18 [84]WuC,ZhangL,ZhangL.ASceneChangeDetec tionframeworkformulti temporalveryhighreso lutionremotesensingimages [J]. 犛犻犵狀犪犾犘狉狅犮犲 狊犻狀犵,2016,124(C): [85]ChengG,LiZ,YaoX,etal.RemoteSensingIm agesceneclassificationusingbagofconvolutional Features[J]. 犐犈犈犈犌犲狅狊犮犻犲狀犮犲犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵犔犲狋犲狉狊,2017,14(10): [86] HuF,Xia G S,HuJ,etal.Transferring Deep ConvolutionalNeuralNetworksfortheSceneClas sification of High Resolution Remote Sensing

12 1896 武汉大学学报 信息科学版 2018 年 12 月 Imagery[J]. 犚犲犿狅狋犲犛犲狀狊犻狀犵,2015,7(11): [87]ZouQ,NiL,ZhangT,etal.DeepLearningBased FeatureSelectionforRemoteSensingSceneClassifi cation [J]. 犐犈犈犈犌犲狅狊犮犻犲狀犮犲犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵犔犲狋犲狉狊,2015,12(11): [88]GuanH,LiJ,YuY,etal.DEM Generationfrom LiDARDatain Wooded Mountain AreasbyCross Section Plane Analysis[J]. 犐狀狋犲狉狀犪狋犻狅狀犪犾犑狅狌狉狀犪犾狅犳犚犲犿狅狋犲犛犲狀狊犻狀犵,2014,35(3): [89]ZhaoLJ,TangP,HuoLZ.Land UseSceneClas sificationusingaconcentriccircle Structured Mul tiscale Bag of Visual Words Model [J]. 犐犈犈犈犑狅狌狉狀犪犾狅犳犛犲犾犲犮狋犲犱犜狅狆犻犮狊犻狀犃狆狆犾犻犲犱犈犪狉狋犺犗犫 狊犲狉狏犪狋犻狅狀狊犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵,2015,7(12): [90]Lin W,LiuY,FengJ.BagofVisualWordsModel withdeepspatialfeaturesforgeographicalscene Classification [J]. 犆狅犿狆狌狋犪狋犻狅狀犪犾犐狀狋犲犾犻犵犲狀犮犲犪狀犱犖犲狌狉狅狊犮犻犲狀犮犲,2017(2):1 14 [91]ZhuQ,ZhongY,ZhangL,etal.SceneClassifica tionbasedonthefulysparsesemantictopic Mo del[j]. 犐犈犈犈犜狉犪狀狊犪犮狋犻狅狀狊狅狀犌犲狅狊犮犻犲狀犮犲犪狀犱犚犲 犿狅狋犲犛犲狀狊犻狀犵,2017(99):1 14 [92]Zhao W,DuS.SceneClassification Using Multi scaledeeplydescribed VisualWords[J]. 犐狀狋犲狉狀犪 狋犻狅狀犪犾犑狅狌狉狀犪犾狅犳犚犲犿狅狋犲犛犲狀狊犻狀犵,2016,37(17): [93]GehrkeS,MorinK,DowneyM,etal.Semi global Matching:AnAlternativetoLiDARforDSM Gene ration [C].The2010 Canadian GeomaticsConfe rence and Symposium of Commission, Calgary, Canada,2010 [94] Westoby M, Brasington J, Glasser N,et al. Structure from Motion Photogrammetry:ALow Cost,Efective Toolfor Geoscience Applications [J]. 犌犲狅犿狅狉狆犺狅犾狅犵狔,2012,179: [95]StalC,TackF,deMaeyerP,etal.AirbornePho togrammetryand LiDARfor DSM Extractionand 3DChangeDetectionoveranUrbanArea ACom parativestudy [J]. 犐狀狋犲狉狀犪狋犻狅狀犪犾犑狅狌狉狀犪犾狅犳犚犲 犿狅狋犲犛犲狀狊犻狀犵,2013,34: [96] WhiteJC,WulderM A,VastarantaM,etal.The UtilityofImage BasedPointCloudsforForestIn ventory:a Comparison with AirborneLaserScan ning [J]. 犉狅狉犲狊狋狊,2013,4: [97]ShorterN,KasparisT.AutomaticVegetationIden tificationandbuildingdetectionfromasinglenadir AerialImage[J]. 犚犲犿狅狋犲犛犲狀狊犻狀犵,2009,1(4): [98]ChenLC,LinLJ.DetectionofBuildingChanges from AerialImagesand LightDetectionand Ran ging (LiDAR)Data [J]. 犑狅狌狉狀犪犾狅犳犃狆狆犾犻犲犱犚犲 犿狅狋犲犛犲狀狊犻狀犵,2012,4(12): [99]LiuZ,GongP,ShiP,etal.AutomatedBuilding Change Detection Using UltraCamD Images and ExistingCAD Data [J]. 犐狀狋犲狉狀犪狋犻狅狀犪犾犑狅狌狉狀犪犾狅犳犚犲犿狅狋犲犛犲狀狊犻狀犵,2010,31(6): [100]HermosilaT,RuizLA,RecioJA,etal.Evalua tion of Automatic Building Detection Approaches CombiningHighResolutionImagesandLiDARDa ta[j]. 犚犲犿狅狋犲犛犲狀狊犻狀犵,2011,3(6): [101]AwrangjebM,RavanbakhshM,FraserCS.Auto maticdetectionofresidentialbuildings Using Li DAR Dataand MultispectralImagery [J]. 犐犛犘犚犛犑狅狌狉狀犪犾狅犳犘犺狅狋狅犵狉犪犿犿犲狋狉狔犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵, 2010,65(5): [102]HuertasA,NevatiaR.DetectingChangesinAerial ViewsofMan MadeStructures[J]. 犐犿犪犵犲犪狀犱犞犻 狊犻狅狀犆狅犿狆狌狋犻狀犵,2000,18(8): [103]GonzalezJ,AmbrosioI,Arevalo V.Automatic UrbanChangeDetectionfromtheIRS 1DPAN[C]. RemoteSensingandDataFusionoverUrbanAreas, IEEE/ISPRSJointWorkshop,Rome,Italy,2001 [104]RoweNC,GreweLL.ChangeDetectionforLinear FeaturesinAerialPhotographsUsingEdge Finding [J]. 犐犈犈犈犜狉犪狀狊犪犮狋犻狅狀狊狅狀犌犲狅狊犮犻犲狀犮犲犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵,2001,39(7): [105]LiuJiahang.A MethodStudyonAutomaticRecog nition and Classification of Earthquake Caused Building Damagein Cities Using Remote Sensing [D].Beijing:InstituteofGeology,ChinaSeismology Bureau,2003( 柳稼航. 利用遥感技术进行城市建筑物震害的自动识别与分类方法研究 [D]. 北京 : 中国地震局地质研究所,2003) [106]Gu Wenjun,ZhaoZhongming,WangLinjuan.The DetectionoftheChangedBuildinginCityBasedon ChangeDetectionTechnology[J]. 犆狅犿狆狌狋犲狉犈狀犵犻 狀犲犲狉犻狀犵犪狀犱犃狆狆犾犻犮犪狋犻狅狀狊,2004,40(1): ( 顾文俊, 赵忠明, 王苓涓. 基于变化检测技术的城区建筑变化目标提取 [J]. 计算机工程与应用, 2004,40(1): ) [107]LiuZhen,GongPeng,ShiPeijun,etal.Studyon ChangeDetectionAutomaticalyBasedonSimilarity Calibration [J]. 犑狅狌狉狀犪犾狅犳犚犲犿狅狋犲犛犲狀狊犻狀犵,2005, 9(5): ( 刘臻, 宫鹏, 史培军, 等. 基于相似

13 第 43 卷第 12 期眭海刚等 : 多时相遥感影像变化检测方法综述 1897 度验证的自动变化探测研究 [J]. 遥感学报,2005, 9(5): ) [108]GengZhong.Researchon ArtificialObjectChan gingdetection TechniquesofSingle band Oriented HighResolution RemoteSensingImage [J]. 犌犲狅 犿犪狋犻犮狊犠狅狉犾犱,2007,5(6):36 41 ( 耿忠. 面向单波段高分辨率遥感影像的人工目标变化检测技术研究 [J]. 地理信息世界,2007,5(6):36 41) [109]Li W,Sun K,LiD,etal.A New Approachto Performing Bundle Adjustment for Time Series UAVImages3D Building Change Detection [J]. 犚犲犿狅狋犲犛犲狀狊犻狀犵,2017,9(6): [110]Beno tm,ericfl.land Cover ChangeTrajecto riesinsoutherncameroon[j]. 犃狀狀犪犾狊狅犳狋犺犲犃狊狅 犮犻犪狋犻狅狀狅犳犃犿犲狉犻犮犪狀犌犲狅犵狉犪狆犺犲狉狊,2000,90(3): [111]Liu H,Zhou Q. Accuracy Analysis of Remote SensingChangeDetectionbyRule BasedRationality EvaluationwithPost ClassificationComparison[J]. 犐狀狋犲狉狀犪狋犻狅狀犪犾犑狅狌狉狀犪犾狅犳犚犲犿狅狋犲犛犲狀狊犻狀犵,2004,25 (5): [112]ZhouQ,SunB.SpatialPaternAnalysisofWater DrivenLandCoverChangeinAridzone,Northwest ofchina[m]// Advancesin Earth Observationof GlobalChange.Netherlands:Springer,2010:17 26 [113]OuyangYun,MaJianwen,DaiQin.StudyonDy namic Bayesian Networksfor Multi temporal Re motesensingchangedetection[j]. 犑狅狌狉狀犪犾狅犳犚犲 犿狅狋犲犛犲狀狊犻狀犵,2006,10(4): ( 欧阳, 马建文, 戴芹. 多时相遥感变化检测的动态贝叶斯网络研究 [J]. 遥感学报,2006,10(4): [114]VaduvaC,GavatI,Datcu M.LatentDirichletAl locationforspatialanalysisofsateliteimages[j]. 犐犈犈犈犜狉犪狀狊犪犮狋犻狅狀狊狅狀犌犲狅狊犮犻犲狀犮犲犪狀犱犚犲犿狅狋犲犛犲狀 狊犻狀犵,2013,51(5): [115]SalmonBP,Kleynhans W,BerghF V D,etal. Land Cover Change Detection UsingtheInternal Covariance Matrixofthe Extended Kalman Filter overmultiplespectralbands[j]. 犐犈犈犈犑狅狌狉狀犪犾狅犳犛犲犾犲犮狋犲犱犜狅狆犻犮狊犻狀犃狆狆犾犻犲犱犈犪狉狋犺犗犫狊犲狉狏犪狋犻狅狀狊犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵,2013,6(3): [116]LiJ,NarayananR M.AShape BasedApproachto ChangeDetectionofLakes Using TimeSeriesRe motesensingimages [J]. 犐犈犈犈犜狉犪狀狊犪犮狋犻狅狀狊狅狀犌犲狅狊犮犻犲狀犮犲犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵,2003,41(11): [117]DuP,LiuS,GambaP,etal.FusionofDiference ImagesforChangeDetectionoverUrbanAreas[J]. 犐犈犈犈犑狅狌狉狀犪犾狅犳犛犲犾犲犮狋犲犱犜狅狆犻犮狊犻狀犃狆狆犾犻犲犱犈犪狉狋犺犗犫狊犲狉狏犪狋犻狅狀狊犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵,2012,5 (4): [118]LiJ,NarayananR M.AShape BasedApproachto ChangeDetectionofLakes Using TimeSeriesRe motesensingimages [J]. 犐犈犈犈犜狉犪狀狊犪犮狋犻狅狀狊狅狀犌犲狅狊犮犻犲狀犮犲犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵,2003,41(11): [119]WarnerT.HypersphericalDirectionCosineChange VectorAnalysis[J]. 犐狀狋犲狉狀犪狋犻狅狀犪犾犑狅狌狉狀犪犾狅犳犚犲 犿狅狋犲犛犲狀狊犻狀犵,2005,26(6): [120]MichenerW K,HouhoulisPF.DetectionofVege tationchangesassociated withextensiveflooding inaforestedecosystem [J]. 犘犺狅狋狅犵狉犪犿犿犲狋狉犻犮犈狀 犵犻狀犲犲狉犻狀犵犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵,1998,63(12): [121]Feng Wenqing,Zhang Yongjun.Object Oriented ChangeDetectionforRemoteSensingImagesBased on Multi scalefusion [J]. 犃犮狋犪犌犲狅犱犪犲狋犻犮犪犲狋犆犪狉 狋狅犵狉犪狆犺犻犮犪犛犻狀犻犮犪,2015,44(10): ( 冯文卿, 张永军. 利用多尺度融合进行面向对象的遥感影像变化检测 [J]. 测绘学报,2015,44(10): ) [122]Feng Wenqing,SuiHaigang,TuJihui,etal.Re motesensingimagechangedetectionbasedonthe CombinationofPixel LevelandObject LevelAnaly sis[j]. 犃犮狋犪犌犲狅犱犪犲狋犻犮犪犲狋犆犪狉狋狅犵狉犪狆犺犻犮犪犛犻狀犻犮犪, 2017,46(9): ( 冯文卿, 眭海刚, 涂继辉, 等. 联合像素级和对象级分析的遥感影像变化检测 [J]. 测绘学报,2017,46(9): ) [123]QuanJicheng,Liu Yichao,Xue Feng.Detection MethodofRemoteSensingImageChangeDetection BasedonFuzzyComprehensiveEvaluation[J]. 犜犺犲犕狅犱犲狉狀犈犾犲犮狋狉狅狀犻犮犜犲犮犺狀狅犾狅犵狔,2013,36(8): ( 全吉成, 刘一超, 薛峰. 基于模糊综合评判的遥感图像变化检测方法 [J]. 现代电子技术,2013,36 (8): ) [124]GongPeng, Mu Lan.Error Detection Through Consistency Checking [J]. 犌犲狅犵狉犪狆犺犻犮犐狀犳狅狉犿犪 狋犻狅狀犛犮犻犲狀犮犲狊,2000,6(2): [125]Nemmour H,ChibaniY.Fuzzy NeuralNetwork Architecture for Change Detection in Remotely SensedImagery [J]. 犐狀狋犲狉狀犪狋犻狅狀犪犾犑狅狌狉狀犪犾狅犳犚犲 犿狅狋犲犛犲狀狊犻狀犵,2006,27(4): [126]MoriseteJ T.Accuracy Assessment Curvesfor Satelite BasedChangeDetection [J]. 犘犺狅狋狅犵狉犪犿 犿犲狋狉犻犮犈狀犵犻狀犲犲狉犻狀犵犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵,2000,66 (7):

14 1898 武汉大学学报 信息科学版 2018 年 12 月 [127]Lowel K.An Area Based Accuracy Assessment MethodologyforDigitalChange Maps [J]. 犐狀狋犲狉 狀犪狋犻狅狀犪犾犑狅狌狉狀犪犾狅犳犚犲犿狅狋犲犛犲狀狊犻狀犵,2001,22 [128]BigingGS,ColbyD R,CongaltonR G.Sampling SystemsforChangeDetectionAccuracyAssessment [M].Chelsea,Michigan:AnnArborPress,1999 (17): 犚犲狏犻犲狑狅犳犆犺犪狀犵犲犇犲狋犲犮狋犻狅狀犕犲狋犺狅犱狊犳狅狉犕狌犾狋犻 狋犲犿狆狅狉犪犾犚犲犿狅狋犲犛犲狀狊犻狀犵犐犿犪犵犲狉狔 1,2 犛犝犐犎犪犻犵犪狀犵 1 犉犈犖犌犠犲狀狇犻狀犵 1 犔犐犠犲狀狕犺狌狅 1 犛犝犖犓犪犻犿犻狀 2 犡犝犆犺狌犪狀 1 StateKeyLaboratoryofInformationEngineeringinSurveying,MappingandRemoteSensing,WuhanUniversity, Wuhan430079,China 2 ColaborativeInnovationCenterofGeospatialTechnology,Wuhan430079,China 犃犫狊狋狉犪犮狋 :Changedetectionforremotesensingimageryistheprocesstodeterminediferenceofthe sameobjectorphenomenonatdiferenttimes.real timeautomaticchangedetectiontechnologyisof greatsignificanceforexcavatingpotentialofimagedataandmaintainingthecurrentsituationofgeo spatialdata.withthedevelopmentofremote sensingearthobservationtechnology,varietiesofre mote sensingsensorsfordiferenttaskshaveemerged.changedetectionisalsodiversifiedwiththe comingupofmulti resolutionremote sensingdata,withadvancedtheoriesandtechniquesdeveloped forcontinuouslydiferentsensors.thispaperreviewsthedevelopmentofmulti temporalremotesen singimagechangedetectiontechnologiesandsummarizestheclassificationsystem ofmulti temporal remotesensingimagechangedetection.andthelatestdevelopmentsinchangedetectionresearchare summarizedfromthreeaspects:pre processing,changedetectionstrategiesandaccuracyassessment. Thispaperalsopointsoutthechalengesthatchangedetectionisfacingandpossiblecountermeasures, inthehopeofdeepeningtheresearchintochangedetectiontechnologyforremotesensingimages. 犓犲狔狑狅狉犱狊 :remotesensingimagery;multi temporaldata;high resolutionimage;informationextrac tion;changedetection 犉犻狉狊狋犪狌狋犺狅狉 :SUIHaigang,PhD,professor,majorsinremotesensing,GISandmulti sensorintegration.e mail:haigang_sui@263.net 犉狅狌狀犱犪狋犻狅狀狊狌狆狆狅狉狋 :TheNationalNaturalScienceFoundationofChina,No ;theNationalKeyResearchandDevelopmentPro gramofchina,no.2016yfb