任秋如，楊文忠*，汪傳建，魏文鈺，錢蕓蕓

（1.新疆大學信息科學與工程學院，烏魯木齊 830046；2.安徽大學互聯(lián)網學院，合肥 230039）

0 引言

隨著時代的發(fā)展，人們在對地球進行探索的同時發(fā)現(xiàn)大自然在慢慢地發(fā)生變化，造成這些變化的因素主要有兩個：一個是自然變化，比如四季的交替讓萬物更迭、自然災害引起地表以及自然資源的變化、板塊運動使得山川河流顛倒；另一個是人類活動造成的變化，包括農、林、漁、牧、礦、工、商、交通、觀光和各種工程建設使得土地利用和土地覆蓋（Land Use/Land Cover，LULC）發(fā)生變化，其中人口增長與過度開發(fā)造成了一定的非自然變化甚至是對自然資源的嚴重破壞［1］。利用衛(wèi)星遙感來觀測地球，可以根據地表狀態(tài)和變化信息來達到對自然資源的合理開發(fā)，從更宏觀的角度來保護地球，促進人與自然的可持續(xù)發(fā)展。遙感技術在經過60年來的研究發(fā)展后，遙感影像獲取技術具有多傳感器、多平臺、多角度的“三多”特征，獲取的影像具有高空間分辨率、高時間分辨率、高光譜分辨率和高輻射分辨率的“四高”特征，通過遙感影像可以實現(xiàn)對地表實體和現(xiàn)象的變化檢測，從而進一步地回答“when”“where”“what object”和“what change”的“4w”問題［2］。

變化檢測是通過在不同時間觀察同一對象或現(xiàn)象來識別其狀態(tài)差異的過程［3］。自動、半自動化的變化檢測已經在城市規(guī)劃、土地利用/覆蓋、植被變化、災害監(jiān)測、地圖更新和生態(tài)環(huán)境保護等多個領域得到了廣泛應用，例如，G?rtner等［4］通過檢測樹冠的生長變化來檢測自然植被的覆蓋變化，適用于發(fā)現(xiàn)河岸森林植被的退化，有助于檢測評估瀕危生態(tài)系統(tǒng)；Lu等［5］通過檢測降雨、臺風和地震引發(fā)的山體滑坡來進行災害監(jiān)測；Lin等［6］提出了一種新的時間序列變化檢測方法來檢測分析土地利用和土地覆蓋的變化；季順平等［7］結合全空洞卷積神經網絡和GIS（Geographic Information Systems）數(shù)據的分類后檢測方法對武漢市進行城市土地覆蓋分類與變化檢測，提出的算法成功應用于2018年武漢市城市土地覆蓋GIS數(shù)據庫的更新。現(xiàn)已有多種基于遙感的變化檢測方法被提出，有些學者也對變化檢測方法和技術進行了綜述［1-2，7-9］。然而，通過對這些綜述的總結分析可以發(fā)現(xiàn)，因為變化檢測過程的復雜性，尚還不存在一種普遍的變化檢測技術，大多都是根據特定的應用場景選擇了相對合適的變化檢測方法，不具有普適性和推廣性。

變化檢測的流程大致可以分為數(shù)據預處理、變化檢測技術選擇和精度評價三個階段，如圖1所示?，F(xiàn)在國內外學者的研究大多都是針對第二階段展開的，變化檢測技術的選擇是整個變化檢測過程的核心，對檢測結果的好壞起到重要的作用［9］。變化檢測領域常用的檢測方法主要是分類后變化檢測［10］，但是該方法的精度主要取決于分類結果的好壞，這是研究人員們一直努力解決的問題之一。隨著深度學習的廣泛應用，該方法漸漸地被引入到了變化檢測領域中，深度學習［11］能提供一種端到端的變化檢測，所以在大大簡化變化檢測復雜性的同時提高了檢測結果的精度，受到許多研究人員的歡迎，因此近幾年基于深度學習的變化檢測研究層出不窮［7，12-14］。雖然變化檢測技術的選擇是變化檢測過程中的重中之重，但是合適的預處理操作和正確的精度評價也同樣必不可少，因為前者能給變化信息的提取奠定基礎，后者能更直觀地檢驗方法的性能，比較多個方法的優(yōu)劣，所以這三個階段缺一不可。

近年來，雖然變化檢測領域的研究進行得如火如荼，尤其是基于深度學習的變化檢測受到很多研究者的青睞，但是離實時的、自動化的變化檢測要求還有一定的差距，未來的研究仍要在變化檢測方法的選取、變化檢測過程的確定以及變化檢測結果精度的提高等方面做進一步的研究。

基于以上背景，為了較全面地對過去幾十年的遙感影像變化檢測研究進行總結以及探討存在的問題和未來的發(fā)展，本文將從變化檢測的發(fā)展歷程、變化檢測流程、挑戰(zhàn)與發(fā)展這三個方面展開綜述。首先變化檢測的發(fā)展歷程方面包括遙感衛(wèi)星的發(fā)展和變化檢測的發(fā)展階段這兩個部分；其次變化檢測流程包括數(shù)據選擇及預處理、變化檢測技術、后處理及精度評價，其中變化檢測技術主要包含了4種分析單元、4種比較方法及是否考慮先驗知識；最后提出了在變化檢測領域現(xiàn)存的一些挑戰(zhàn)以及變化檢測未來的發(fā)展方向。本文旨在對變化檢測領域有一個較全面的回顧，在多人研究總結的基礎上進行梳理，能在以后的研究發(fā)展中起到一定的作用。

1 變化檢測的發(fā)展歷程

從20世紀70年代開始，國內外研究學者們就開始對基于遙感影像的變化檢測進行了各種研究，1977年Weismiller等［15］提出了圖像差分方法并對沿海地區(qū)進行了變化檢測，開啟了基于遙感變化檢測的時代。在變化檢測這四十多年來的發(fā)展中，各國政府發(fā)射了多顆衛(wèi)星，擴充了遙感影像的數(shù)據源，同時學者們也提出了非常多的影像處理方法、檢測算法，為變化檢測這一研究領域提供了有力的技術支持?，F(xiàn)如今，太多的衛(wèi)星數(shù)據和方法讓研究人員眼花繚亂，因此，本章將梳理一下變化檢測的發(fā)展歷程，給出變化檢測這個領域一個比較清楚的認識。

1.1 遙感衛(wèi)星發(fā)展

根據不同的遙感衛(wèi)星數(shù)據進行的實驗會有所不同，所以本文總結了可用于變化檢測的主要遙感衛(wèi)星，如圖2所示。美國在遙感衛(wèi)星領域一直處于領先地位，早在1961年就發(fā)射了世界上第一顆氣象衛(wèi)星，拉開了遙感衛(wèi)星發(fā)展的序幕。之后在1972年發(fā)射了第一顆陸地觀測衛(wèi)星Landsat-1，提供了中等分辨率以及長時間序列遙感數(shù)據，1982年Landsat-4衛(wèi)星發(fā)射，將分辨率提高到了30 m。法國于1986年發(fā)射了SPOT-1（Systeme Probatoire d’Observation de la Terre）遙感衛(wèi)星，成功將空間分辨率提高到了10 m；1998年發(fā)射的SPOT-4衛(wèi)星加入了中紅外譜段，使得能夠分類識別植物并且能進行冰雪探測。隨后一年，美國于九月底成功發(fā)射IKONOS衛(wèi)星，成為世界上第一顆分辨率優(yōu)于1 m的商業(yè)遙感衛(wèi)星，為軍民用戶提供高分辨率遙感影像。當高分辨率遙感影像為陸地觀測帶來了巨大便利后，各國研究者都想獲得更加精細的遙感影像。美國于2001年成功發(fā)射了QuickBird衛(wèi)星，再次將分辨率更新到了亞米級。隨后越來越多的亞米級遙感衛(wèi)星成功升天，如2007年發(fā)射的WorldView-1衛(wèi)星分辨率為0.5 m；2008年發(fā)射的GeoEye衛(wèi)星分辨率為0.41 m；2014年發(fā)射的WorldView-3衛(wèi)星分辨率為0.31 m；2015年發(fā)射的北京二號衛(wèi)星分辨率為0.8 m，是中國首顆亞米級遙感衛(wèi)星。近年來除了用這些常用的遙感衛(wèi)星進行變化檢測，也有學者用夜間燈光遙感數(shù)據檢測城市的變化［16］，以及將夜間遙感燈光數(shù)據與普通遙感數(shù)據相結合的方法來進行城鎮(zhèn)的擴張檢測［17］。除此之外，利用無人機來進行變化檢測也是一個流行的方法［18］。

圖2 遙感衛(wèi)星發(fā)展Fig.2 Development of remote sensing satellite

1.2 變化檢測發(fā)展階段

本文在多位研究學者研究、總結［19］的基礎上，進一步完善了變化檢測的發(fā)展歷程，主要包括變化檢測萌芽期、變化檢測的興起、變化檢測高潮期和變化檢測浪潮期這四個階段。

1）第一階段（1970—1989）：變化檢測萌芽期。主要是基于像素的變化檢測，一是因為這一階段各國的遙感影像都屬于中低分辨率，像素較為模糊，很難建立圖像對象；二是操作簡單，通過對像素單元進行簡單的代數(shù)運算就能得到差異圖，再選取閾值就能得到相應的變化結果圖。這一階段主要的變化檢測方法有代數(shù)法［20］、變換法［21-22］、分類法［23］等。

2）第二階段（1990—1999）：變化檢測的興起。先經過分類與回歸樹［24-25］、反向傳播算法［26-27］、卷積神經網絡［13，28］這些機器學習方法的提出，而后有支持向量機［29-31］、AdaBoost算法［32］、循環(huán)神經網絡［14］和長短期記憶網絡等方法的日趨成熟與應用，使得基于機器學習的變化檢測研究發(fā)展十分迅速。不再是進行簡單的層運算，而是能夠經過更嚴密的數(shù)學計算來實現(xiàn)更好效果的變化檢測結果，進一步提高遙感影像變化檢測的精度。除了機器學習的推動之外，地理信息系統(tǒng)（Geographic Information System，GIS）技術［33］的成熟發(fā)展以及一些混合類方法［34］的提出都促進著遙感影像變化檢測邁向新的臺階。

3）第三階段（2000—2009）：變化檢測的高潮。在這一時期，高分辨率以及亞米級商業(yè)遙感衛(wèi)星的成功發(fā)射和迅速發(fā)展，讓遙感影像的空間分辨率越來越高，基于此，面向對象的圖像分析（Object Based Image Analysis，OBIA）開始被引入到了變化檢測領域中。基于像素的各種方法也都對應著引入到了基于對象的變化檢測中，得到的變化圖和精度都取得了不錯的結果［35-36］。除此之外，將基于像素與基于對象的方法相結合來充分發(fā)揮兩者各自的優(yōu)點，也得到了更好的實驗結果［37-38］。

4）第四階段（2010—至今）：變化檢測的浪潮。隨著大數(shù)據信息技術的發(fā)展，以深度神經網絡為代表的人工智能進入了蓬勃發(fā)展期，尤其是在2012年Hinton參加ImageNet比賽中提出AlexNet網絡一舉奪冠后，深度學習開始興起甚至爆發(fā)。之后深度學習方法也被迅速地引入到了基于遙感的變化檢測中來，包括深度信念網絡［39］、卷積神經網絡［13，28］、循環(huán)神經網絡［14］、卷積自編碼［40］等方法。

2 變化檢測流程

經過多年的研究，各種變化檢測流程被提出，比如，韓閃閃等［41］把面向對象的土地利用變化檢測過程分為建立多邊形對象、影像分類、分類結果類別比較得到變化檢測圖像這三部分；Jabari等［42］認為變化檢測過程一般分為建立雙時相圖像間的空間關系、指定變化檢測的元素、指示變化這三個步驟；顧煉等［43］將變化檢測流程分為數(shù)據預處理、模型訓練和預測結果三個部分。但是總體來說，變化檢測的流程大致分為數(shù)據的預處理、變化檢測技術選擇和精度評價這三個部分。

2.1 數(shù)據選擇及預處理

2.1.1 數(shù)據選擇

遙感影像的獲取是進行變化檢測的首要任務，如1.1節(jié)所述，隨著遙感衛(wèi)星的發(fā)展，數(shù)據源逐年增加，除了從遙感衛(wèi)星能夠獲得的光學影像和SAR（Synthetic Aperture Radar）影像之外，還可通過無人機采集到影像以及GIS采集、存儲柵格數(shù)據和矢量數(shù)據。各數(shù)據源優(yōu)缺點及適用場景如表1所示。

表1 各數(shù)據源優(yōu)缺點及適用場景Tab.1 Advantages and disadvantages of data sources and their applicable scenarios

首先獲取的遙感影像要盡可能地沒有云霧遮擋，在選擇圖像時盡量選擇云量為0%或者接近于0%，這樣才能更易于識別地表狀態(tài)。其次多時相遙感影像變化檢測因為需要同一地點的兩幅或者多幅不同時間的遙感影像數(shù)據，這就要求在獲取數(shù)據時要考慮季節(jié)、作物生長規(guī)律、天氣以及光照等因素，最好選擇不同年份在同一季度甚至同一月份的遙感影像，這樣能在一定程度上減少植被以及作物因生長更替所引起的偽變化。最后對于時間序列的遙感影像變化檢測來說，采集的遙感數(shù)據需覆蓋研究對象生長或變化規(guī)律的所有時間，比如對于作物的變化檢測一般需要采集不同季節(jié)同一地區(qū)的遙感影像，對于城市的擴張檢測可能需要幾年甚至十幾年的遙感影像。從數(shù)量上來說，多時相遙感影像變化檢測一般需要兩張到十幾張遙感影像，而基于時間序列的遙感影像往往需要十幾張甚至幾十張遙感影像。

2.1.2 數(shù)據預處理

因為不同的遙感衛(wèi)星存在一定的差異，即使是同一傳感器獲得的遙感影像也有可能會出現(xiàn)幾何畸變，所以需要一定的預處理，主要包括：配準、輻射校正、幾何校正等，如圖3所示。

圖3 數(shù)據預處理Fig.3 Data preprocessing

配準（Registration）是指對同一地理位置在不同時間通過不同波段、不同傳感器的成像手段得到的多個遙感影像進行地理坐標匹配的操作。遙感影像的精確配準是變化檢測實現(xiàn)的基礎，配準誤差的存在會使得在變化檢測過程中出現(xiàn)難以消除的偽變化，影響變化檢測的精度，配準誤差也是整個變化檢測過程中的一個主要誤差來源［44］。尤其是隨著遙感影像空間分辨率的提高，從不同觀測角度得到的高分辨率圖像之間的誤差消除變得更加具有挑戰(zhàn)性。配準方式包括相對配準和絕對配準。兩者的區(qū)別在于參考物不同，前者是選擇特定的遙感圖像作為參考，而后者是選擇固定的網格坐標系。

配準算法可分為基于區(qū)域的配準算法和基于特征的配準算法?；趨^(qū)域的配準利用遙感影像像素的灰度信息進行圖像配準。處理方式有空域法（互相關法、最大互信息法、序貫相似檢測方法和極大似然匹配法等）和頻域法（基于快速傅里葉變換的相位相關法和小波變化法）［45］。基于特征的配準通過圖像對中的一些局部特征建立匹配關系，從而進行圖像匹配。常見的特征包括點、線、面三種。點特征主要是指遙感影像中道路、河流或者建筑的拐點、交叉點等，基于點的特征提取算法包括SUSAN（Smallest Univalue Segment Assimilating Nucleus）算子、Hannah算子、Harris算子、Moravec算子、Hog算子、SIFT（Scale Invariant Feature Transform）算子和SURF（Speeded Up Robust Features）算子等［46］。線特征主要是指遙感影像中的一些邊界信息，比如道路、海岸線，基于線的特征提取算法有時域邊緣檢測方法（梯度算子法、直方圖法、Canny算子法和Hough變換法等）和變換域邊緣檢測法（快速傅里葉變換和小波變換等）［45］。面特征主要是指遙感影像中的大面積場景，比如森林、水域等，基于面的特征主要是通過光譜的差異性進行識別，再通過相應的圖像分割法來提取面特征，常用的圖像分割法有形態(tài)學分割法和動態(tài)閾值技術分割法等［45］。

輻射校正是數(shù)據預處理中的一個重要步驟，它主要解決的是由于不同成像條件（太陽角度、成像時間、成像角度和大氣條件等）造成同一區(qū)域的光譜特征出現(xiàn)的差異，這一差異會導致變化檢測時出現(xiàn)偽變化。遙感影像的輻射校正可分為絕對輻射校正和相對輻射校正。絕對輻射校正是指將遙感影像像元亮度值轉化為地表反射率，常見的模型有FLAASH（Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes）校正模型、BRDF（Bidirectional Reflectance Distribution Function）校正模型、地形輻射校正模型。由于絕對輻射校正需要精確的參數(shù)與大量的成像，都比較難以獲取，所以易于計算的相對輻射校正更加受到關注。相對輻射校正是指將一幅影像作為參考基準，對目標影像的輻射值進行校正。相對輻射校正包括線性方法和非線性方法。線性方法假設多時相遙感影像之間的輻射值是線性相關的，但是在真實的地表狀態(tài)下，由于多傳感器獲得的遙感影像輻射值間往往并不滿足線性關系，于是常常通過偽不變特征點（Pseudo-Invariant Feature，PIF）來進行同源或者異源傳感器之間得到的影像間輻射值的歸一化［47］。非線性方法可以更好地解決影像間輻射值非線性的問題，常用的非線性方法是直方圖匹配法（Histogram Matching，HM），該方法可以很好地統(tǒng)一影像間的色調，能較好地解決由于不同成像條件造成的色溫差異問題［48］。

幾何校正是在遙感影像發(fā)生幾何位置、像元大小、方位與地面真實對應不一致等幾何畸變時進行的校正。包括系統(tǒng)校正和精確校正，系統(tǒng)校正是對傳感器自身的比例尺、歪斜、中心移動等內部畸變所引起的誤差進行校正，可通過比例尺系數(shù)、平行移動等方法解決；精校正是對地形起伏、地球曲率等外部畸變所引起的誤差進行校正，主要方法有地面控制點和幾何校正模型［49］。

2.2 變化檢測技術

變化檢測技術的選擇是變化檢測過程的核心，在變化檢測發(fā)展的這幾十年中，國內外學者提出了非常多的方法，在變化檢測結果也越來越好的同時變化檢測的方法與方法之間也出現(xiàn)了一些交叉與重疊，有許多學者對此進行了整合綜述［1-2，7-9］，旨在建立一個完善的變化檢測方法的分類體系。本文在多位研究者對于變化檢測方法總結的基礎上，對遙感影像變化檢測方法的分類體系進行整理與總結，從分析單元、比較方法、是否考慮先驗知識三個部分詳細闡述變化檢測方法的研究現(xiàn)狀。

2.2.1 分析單元

根據分析粒度的大小不同，變化檢測的分析單元主要可以分為三種，即像素、對象和場景；除此之外，還可將矢量多邊形作為變化檢測的分析單元。由于上述提到的分析單元各有其獨特的優(yōu)點，所以也有很多學者將其進行混合使用，充分發(fā)揮各自的優(yōu)點，使得變化檢測結果更加精準，如表2所示。

表2 分析單元分析及相關文獻Tab.2 Analysis unit analysis and related literatures

1）像素。

像素是遙感影像的基本單元，在變化檢測初期都是對遙感像素進行變化檢測分析，即便是經過幾十年的研究發(fā)展，現(xiàn)在仍有很多變化檢測的實驗是基于像素來實現(xiàn)的。例如張晗等［50］通過分形對數(shù)比和多尺度分析對SAR圖像進行像素級變化檢測；Koller等［51］開發(fā)了一種半自動的組合方法，通過像素來量化森林砍伐，將森林采伐狀態(tài)分為了火災類和非火災類；Al Rawashdeh［52］通過逐像素差分變化檢測的方法對新建成的灌溉區(qū)進行識別及評估。使用像素作為分析單元最大的優(yōu)點就是操作簡單，可通過比值或者差值這種簡單的算術運算來進行變化檢測。將像素作為分析單元比較適合用于對大面積區(qū)域的變化檢測，比如水體、森林、植被覆蓋的變化，在這種情況下光譜差異、色調變化都比較明顯，不用考慮每個像素與像素之間的關系，降低了實驗的復雜性。

像素作為變化檢測的分析單元也存在著一些缺點，當應用場景是小面積區(qū)域時，比如常見的建筑物的新建與拆除，通過像素進行變化檢測就會產生許多虛假的、存在噪聲的像素點［53］，這主要是由于光譜的可變性和圖像的配準誤差造成的。特別是應用在高分辨率遙感影像時，基于像素的變化檢測漸漸變得不太合適［54-55］。

基于單個像素點進行變化檢測的局限性，提出了像素組的概念，或者說是一個移動窗口在圖像上圈出N×N大小的圖像塊，Tewkesbury等［9］將之稱為Kernel，它包含了選定的中心像素點以及該點周圍的像素信息，充分考慮了像素的上下文信息。Kernel通過利用像素的局部鄰域，對像素的變化進行統(tǒng)計解釋，從而濾除噪聲，識別出真實的變化。尤其是對高分辨率遙感影像的變化檢測有較好的應用，例如Im等［25］提出了一種基于鄰域相關圖像邏輯的變化檢測模型，通過對應數(shù)據集之間的相關性確定變化位置，并通過鄰域的上下文信息得到變化值；Gao等［56］提出了一種基于鄰域比（Neighborhoodbased Ratio，NR）和極限學習機的SAR影像變化檢測方法，該方法利用NR算子得到感興趣的變化像素，然后生成以這些像素為中心的圖像塊。盡管Kernel考慮到了圖像的局部鄰域，但是因為N值的選取會影響檢測的效果，比如N值選擇過大可能會使得模糊邊界，選擇過小可能會過濾一些較小的變化。

2）對象。

在Hay等［57］提出影像對象的概念后，基于對象的變化檢測得到了快速的發(fā)展［36，55，58-59］。通過圖像對象的方式進行變化檢測，更加接近于人眼進行識別的過程，也有學者通過實驗比較得出了基于對象的變化檢測結果要優(yōu)于基于像素的變化檢測結果［20，54，60］。根據使用方式的不同，可將對象作為分析單元細分為圖像對象覆蓋、圖像對象比較和多時相圖像對象三種分析單元。

圖像對象覆蓋是三個分析單元中最簡單的一種，首先對一幅遙感影像進行分割，然后簡單地覆蓋到另一幅影像上，通過該操作能形成一個比較的空間框架。該方法將已得到的對象覆蓋到新的遙感影像上，疊加之后在進行分割得到變化檢測結果，很好地解決了像素作為分析單元時N值固定的局限性，可以對比對象的形狀、長度或者一些紋理特征來檢測變化。例如，Comber等［61］先對一幅影像進行分類得到分類對象，然后覆蓋到另一幅基于像素的分類結果上，通過專家知識來識別分類錯誤中正確的變化；但是這些幾何特征只反映了一個影像的屬性，沒有考慮到多個影像的屬性間可能存在的聯(lián)系。

圖像對象比較不再只是對單幅影像的分割，而是對參與變化檢測過程的兩幅或者多幅影像都進行分割，然后再通過位置坐標對應進行對象間的比較來判斷對象間是否發(fā)生了變化。Listner等［62］提出了兩種比較方法：一是直接對象比較，將一個對象賦予所有重疊對象的加權和；二是交集對應，在兩個對象的交集中直接比較對象的屬性，第二種方法在分類后變化中使用得較多。圖像對象比較的好處是可以比較所有影像對象的屬性，比如面積、大小或類標簽等。例如，Desclée等［36］通過區(qū)域合并的技術對多幅遙感影像進行單次分割，描繪出具有反射率差異統(tǒng)計特征的對象，并通過異常值將相應的對象標記為變化。但是對象的分割不是絕對精準的，在2.1節(jié)的預處理中提到，遙感影像的獲取過程中會存在成像角度、大氣條件、光照等因素的影響導致同一地區(qū)不同影像的光譜變異，這就會使得分割也存在高度可變性。

多時相圖像對象將多時相遙感影像疊加再進行對象的分割，相比前兩種方法，多時相圖像對象考慮到了所有的影像，因此能夠充分地利用影像信息，在時間序列遙感影像變化檢測中使用廣泛。例如，胡永月等［63］通過變化矢量分析的方法對三種基于對象的分割模型得到的變化目標進行變化檢測分析，實驗結果表明將兩個時間數(shù)據疊加作為一個整體進行分割得到的總體精度和Kappa系數(shù)都是最高的。但是多時相圖像對象易受到配準誤差的影響，而且多時相圖像對象的大小和形狀存在異質性，分割時易出現(xiàn)太小以及邊界模糊的對象。

3）場景。

以場景作為變化檢測的分析單元，需要在多時相遙感影像或時間序列遙感影像中挖掘真實地表狀態(tài)變化的規(guī)律，與學習到的規(guī)律不相符的就存在發(fā)生某種變化的可能性。場景級的分析單元主要應用在語義層次的變化分析中，即地表覆蓋類型的轉變（From-to），不再是僅僅關注于地表狀態(tài)是否發(fā)生變化（Change/Un-change）的問題上。同時該方法對于城市擴張的檢測或城市規(guī)劃等方面能提供很好的基礎。例如，Wu等［64］提出了一種基于核的慢特征分析（Kernel Slow Feature Analysis，KSFA）和后分類融合的場景變化檢測方法，將獨立的場景分類與場景變化檢測相結合，準確地判斷場景變化，識別過渡類型；Du等［65］提出了一種潛在狄利克雷分配（Latent Dirichlet Allocation，LDA）和 多 元 變 化 檢 測（Multivariate Alteration Detection，MAD）進行無監(jiān)督場景變化檢測的方法，首先將場景用視覺詞袋模型表示，然后利用LDA進行特征降維，最后通過MAD方法對多時間圖像場景的語義變化進行檢測，實驗結果表明該方法能很好地實現(xiàn)無監(jiān)督場景的變化檢測。但是遙感影像中包含了大量的地物類型，尤其是高分辨率影像的普及，地物細分程度提高，同時同一地物類型也有可能表現(xiàn)出不同的狀態(tài)，這些都給語義層分析帶來了挑戰(zhàn)。

4）矢量多邊形。

通過現(xiàn)有的矢量數(shù)據覆蓋遙感影像，得到兩個時期遙感影像的影像像斑以及相應的類標簽，可通過類標簽比較發(fā)現(xiàn)對應像斑的變化，即矢量多邊形內的變化類型。這種方法利用現(xiàn)有數(shù)據，使得變化檢測自動化程度提高，在一定程度上減少繁重的人工處理。例如，景奉廣［66］將矢量數(shù)據與遙感影像相結合，利用矢量邊界能快速地提取柵格數(shù)據并且能快速地使遙感影像分割圖矢量化最后還生成新的矢量數(shù)據；李亮等［67］提出一種基于像斑異質度的矢量圖與遙感影像變化檢測方法，通過比較像斑異質度與矢量圖所在時期對應類別的異質度閾值，實現(xiàn)像斑的變化/未變化判別。但是實際的矢量多邊形的比例與真實的變化區(qū)域的比例可能存在一些差異，可能會漏掉一些細小的變化特征。

5）混合。

上述分析單元都有各自的優(yōu)點及不足，在變化檢測過程中，根據不同的情況，可以對這些分析單元進行組合，來逐步地凸顯變化信息。將像素和對象進行結合是一種常用的方法，因為像素能夠檢測到影像中較小的變化，而對象能宏觀地進行變化分析，將兩者適當?shù)慕Y合就能發(fā)現(xiàn)不同大小的變化圖斑。例如，馮文卿等［68］提出一種聯(lián)合像素級和對象級的變化檢測框架，這種新框架能有效地結合兩個方法的優(yōu)勢，提高在高分辨率遙感影像變化檢測過程中的適用性；Xiao等［69］提出了一種結合像素級和對象級的識別高分辨率遙感影像建成區(qū)變化檢測的新框架，實驗結果表明提出的新框架具有一定的應用潛力；Gamba等［70］將特征級和像素級的變化檢測方法相結合，通過提取、比較多幅SAR影像中的線性特征，識別出基于像素的變化。

2.2.2 比較方法

根據變化檢測的策略不同，可以將變化檢測的比較方法分為代數(shù)運算法、分類法、變換法、深度學習法以及將多種方法進行組合的混合方法，如表3所示。

表3 比較方法分析及相關文獻Tab.3 Comparison method analysis and related literatures

1）代數(shù)運算法。

通過減法［20］、除法［50］等簡單的代數(shù)運算方法對雙時相遙感影像對應波段進行處理，得到相應的差異圖，再通過利用閾值（自適應選擇或手動確定）對差異圖進行分割得到最后的變化檢測結果。這種代數(shù)運算的方法簡單，能夠很好地顯示出影像中變化迅速的區(qū)域。最早使用的代數(shù)法是影像差值法，將雙時相影像的波段對應相減來得到差異圖，這種方法非常簡單但是只能顯示變化、未變化信息。變化向量分析（Change Vector Analysis，CVA）方法是對影像差值法的擴展，可以利用多個波段的信息得到具有長度和方向的變化向量，向量的長度表示變化的強度，向量的方向表示變化的類型。例如Li等［71］提出了一種基于對象的CVA方法，該方法通過不同波段的直方圖距離建立對象的變化矢量，通過對象變化矢量的大小來測量對象的異質性，可以很好地應用于高分辨率遙感影像的變化檢測中。

影像比值法也是常用的方法之一，它與差值法的不同在于它使用的是除法運算獲得差異圖。此外還有很多代數(shù)運算法［72］，比如波段回歸法、相關系數(shù)法、內積分析法、融合法等。通過以上方法得到差異圖后還有一個重要的步驟就是閾值的選定，這也是變化檢測的研究熱點之一。最常用的閾值方法是非參數(shù)化方法［73-74］，能很好地處理遙感影像數(shù)據間的非線性關系，同時自適應的閾值分割（自動、半自動）以及多閾值分割也是較為常用的方法。

2）分類法。

分類法可以發(fā)現(xiàn)雙時相或多時相影像變化的類型（Fromto），主要包括分類后變化法和直接分類法，其中分類后變化法更為常用。

分類后變化檢測方法是變化檢測領域應用非常廣泛的一種方法，首先對參與變化檢測的遙感影像進行分類，獲得各自的分類影像，然后將這些分類影像根據對應位置進行比較，得到最后的變化檢測結果圖，其中包含了變化的位置以及變化的類型。例如，唐樸謙等［23］在基于像素比值法確定變化范圍的基礎上，通過基于對象的分類后比較的方法確定分類圖斑的變化類型；Peiman等［75］對多時相Landsat遙感影像進行變化檢測，通過分類后變化檢測的方法確定變化信息、變化位置，最后給出變化類型。這種方法不用挖掘影像間對應的關系，只需要分別對各個影像進行分類，但是數(shù)據集中遙感影像的數(shù)量越多，其中存在的分類類別也就越多，需要一個分類器能識別出所有的地表覆蓋類型也是一大難題，因此通過該方法得到的變化檢測結果的精度也往往與分類結果的精度相關，所以提高遙感影像的分類精度也是一大研究熱點。

直接分類法將多個時相的遙感影像進行疊加再根據變化類型進行分類，該方法不用對每個遙感影像進行分類操作，減輕了一定的工作量并且使得變化檢測精度不再依賴于對地表覆蓋類型的分類精度。直接分類法在基于時間序列的遙感影像分類中具有一定的優(yōu)勢，能夠發(fā)現(xiàn)隱藏在復雜模式中的變化信息。例如，Pu等［76］利用直接多時相圖像分類的方法對內華達拉夫洛克研究區(qū)進行入侵物種的變化檢測，并且比較了基于人工神經網絡和LDA兩種分類器的性能，結果表明人工神經網絡的性能要優(yōu)于LDA。但是由于地物類型種類的多樣性，想要獲得具有全部變化類型的訓練集是非常困難的，這也使得在實際的應用中無法進行推廣。

3）變換法。

影像變換法通過對數(shù)據信息進行統(tǒng)計及轉換的方法來抑制相關信息和突出變化區(qū)域。主成分分析（Principal Component Analysis，PCA）法和多元變化檢測（Multivariate Alteration Detection，MAD）法是最常用的影像變換法。主成分分析法利用降維的方式將多個特征用比較少的幾個特征來表示。例如，黃維等［22］分別對兩期Landsat遙感影像進行主成分分析，將得到的前三個主成分再進行變化向量分析，得到差異圖后通過兩種閾值法得到變化圖。

傳統(tǒng)的主成分分析方法是對兩個時期的遙感影像都進行主成分分析變化，然后用第一主成分來做差值運算；差異主成分是先進行差值運算得到差異圖再進行PCA變化；聯(lián)合主成分分析法將影像疊加再進行PCA變化。多元變化檢測法［77］利用兩個時期的遙感影像的線性組合的差值來檢測變化，這種方法在高分辨率遙感影像中能很好地突出變化對象。但是這種變換的方法可能會將與變化有關的特征遺漏或隱藏在大量的變換特征中。除了這兩個常用的方法外，基于影像變換的方法還包括影像回歸法、正交變換法［78］、典型相關分析法［79］、纓帽變換法［80］（適用于Landsat遙感影像）等。

4）深度學習法。

近幾年，深度學習的發(fā)展十分迅速，因為深度學習具有端到端的網絡結構在遙感影像變化檢測領域得到廣泛的應用。基于深度學習的遙感影像變化檢測方法能直接從雙時相或多時相甚至時間序列遙感影像中學習到變化特征，通過變化特征對影像進行分割最終得到變化圖，而且學習到的特征具有很好的魯棒性。相比傳統(tǒng)的變化檢測方法，深度學習方法能消除檢測結果對差異圖的依賴影響，能處理多個傳感器獲取的遙感數(shù)據，具有很強的適用性?，F(xiàn)在有許多基于深度學習的變化檢測方法被提出，包括卷積神經網絡、深度信念網絡、遞歸神經網絡、堆棧自編碼網絡、深度神經網絡等；還有許多基于以上方法進行的改進，進一步提高變化檢測結果精度，例如，顧煉等［43］將FlowNet中的細化和U-Net相結合，提出了FlowS-Unet網絡，能實時檢測高分辨率影像中的建筑的新建與拆除變化；Huang等［81］提出了一種基于張量和深度學習的多光譜遙感圖像變化檢測方法，具有較好的變化檢測精度和自動化水平；Li等［82］提出了基于SAR影像變化檢測的半監(jiān)督深度非光滑非負矩陣分解（nonsmooth Nonnegative Matrix Factorization，nsNMF）網絡，在4對SAR影像的實驗結果表明，該網絡具有較好的檢測效果。

5）混合。

可通過將多種比較方法進行組合的方式來增強對遙感影像變化信息的敏感性。常用的一種方式是用代數(shù)運算的方法先識別出遙感影像中發(fā)生變化的像素，通過對變化特征的學習來對遙感影像進行分類得到變化類型。Lu等［5］首次將歸一化植被指數(shù)、主成分分析、獨立成分分析和馬爾可夫隨機場相結合，并通過改進提出了基于變化檢測的馬爾可夫隨機場（Change Detection-based Markov Random Field，CDMRF）方法，用于多傳感器數(shù)據的滑坡變化檢測。

2.2.3 先驗知識

考慮到變化檢測過程中是否使用先驗知識，可以將變化檢測方法分為監(jiān)督、無監(jiān)督以及半監(jiān)督的檢測方法?；诒O(jiān)督的方法［26］通過先驗信息或者專家知識對變化信息進行分類，有很好的知識基礎，但同時這些知識的建立需要大量的人工處理以及花費很高的成本，如果這些知識的可靠性不夠也會影響變化檢測的結果。非監(jiān)督的變化檢測方法［37，83］不用花費時間和成本來制定規(guī)則，但是需要大量的數(shù)據樣本使得能夠從中學到所有的變化特征。為了有效解決以上兩種方法帶來的問題，有研究人員提出用半監(jiān)督或者結合半監(jiān)督的方法來進行變化分類的研究，比如，Bovolo等［30］通過一個二元的半監(jiān)督支持向量機來逐步地確定變化與未變化像素邊界，在原始的多時相特征空間中提取變化信息進行變化檢測。

2.3 后處理及精度評價

后處理是在預處理的遙感影像經過變化檢測方法處理得到變化圖后進行的操作，能進一步地減小變化檢測過程中出現(xiàn)的誤差，比如孤立點、空洞等噪聲。有很多實驗結果都表明了后處理能提高變化檢測的精度，例如顧煉等［43］使用了膨脹、腐蝕、孔洞填充的后處理操作細化預測結果；王志有等［84］通過主成分分析和HIS（Hue，Intensity，Saturation）模型計算陰影指數(shù)來去除陰影，用基于對象的方法進行去噪增強。常用的后處理操作主要包括基于形態(tài)學處理的方法、基于濾波處理的方法、基于區(qū)域生長的方法。

精度評價是對整個變化檢測過程的總結與分析，通過精度評價能直觀地看到變化檢測模型的性能［85］。誤差矩陣和Kappa系數(shù)是變化檢測領域中最為常用的精度評價方法［86-87］。根據變化檢測的目標不同可以將精度評價分為簡單誤差矩陣和分類誤差矩陣，簡單誤差矩陣對變化和未變化的變化檢測結果進行精度評價，分類的誤差矩陣是對變化類型的變化檢測結果進行精度評價。除了誤差矩陣，還可以用ROC（Receiver Operating Characteristic）曲線來評價變化檢測結果的性能，該方法通過檢測率和誤檢率來畫一條ROC曲線，曲線越靠近左上方表示檢測率越高。在ROC曲線下方的面積稱為AUC（Area Under Curve），面積大小越接近1表示檢測效果越好［88］。

3 面臨的挑戰(zhàn)及未來的發(fā)展

基于遙感影像的變化檢測如今發(fā)展得十分迅速，但是離最終的自動化的、精準的變化檢測目標還是有一定的差距。在變化檢測過程的每一個階段中都有需要進一步提高的地方，比如預處理階段需要消除配準誤差、變化檢測方法還不能精準地發(fā)現(xiàn)所有變化、后處理階段需要能消除變化結果中存在的噪聲等。變化檢測主要存在的挑戰(zhàn)有以下幾點，并對應提出了自己的思考來嘗試解決這些問題。

一是遙感影像的質量需要進一步提高?，F(xiàn)在遙感影像的分辨率雖然越來越高，地物狀態(tài)變得越來越清楚，但也由于分辨率的提高，使得地物的陰影變得更清楚。在獲取影像時也會因為大氣條件的影響出現(xiàn)云遮擋，使得一些地物信息缺失，不便于進行變化檢測?？梢酝ㄟ^多源數(shù)據相互結合的方法［5］來擴大影像數(shù)據的獲取范圍。比如對于同源傳感器來說，由于云遮擋或者影像缺失無法得到某一時段的遙感影像，在這種情況下可以通過多源傳感器獲取這一時期的影像數(shù)據。

二是在預處理過程中，影像之間的配準誤差和光譜差異仍需解決，并且對于需要拼接的圖像，影像的鑲嵌與裁剪效果需要進一步提高。隨著一代代遙感衛(wèi)星的升級，運用一定的算法使其采集的影像具有相同的亮度或者漸變亮度信息，使得兩幅影像之間的拼接處過渡自然；同時還可建立統(tǒng)一的地理參考系，這樣在同源甚至多源遙感衛(wèi)星下采集的影像間也不會有很大的配準誤差。

三是關于遙感影像變化檢測方法，現(xiàn)在還沒有一種能適用于所有場景的高效的變化檢測方法，尤其是隨著高分辨率遙感影像的普及，考慮的地物類型、變化特征也隨之增加，需要更有效的檢測方法來解決這些問題。在變化檢測方法中，還要考慮閾值的選擇和圖像的分割技術，這些都在一定程度上影響著變化檢測的效果?？梢赃\用多尺度交叉、多尺度融合［54，89］的方法更快地挑選出合適的閾值和圖像分割尺度，進一步地提高變化檢測結果精度。

四是在變化檢測的效率上需要提高，現(xiàn)在對于變化檢測方法的訓練需要花費很多的時間和精力，尤其是用深度學習進行訓練需要很高的實驗配置以及大量的參數(shù)進行調整。預訓練網絡模型的共享以及在預訓練好的模型上進行進一步的參數(shù)優(yōu)化能減少模型訓練上所耗費的時間；開發(fā)輕量級的模塊提升網絡模型的性能。

五是需要一些對變化檢測后處理的研究，經過變化檢測方法之后的變化圖可能還存在一些噪聲，但是現(xiàn)在對于后處理的使用還比較少?？梢钥紤]通過設定閾值將零星的噪聲去除，合適的閾值則要通過多次實驗綜合確定。

六是精度評價方法的廣泛性問題，現(xiàn)在的精度評價主要是基于像素的方式進行，而對于面向對象以及特征級的精度評價還有待研究?？梢試L試將圖片分成規(guī)則或者不規(guī)則的區(qū)域塊，每個區(qū)域內可能包含一個或多個像素點，同一區(qū)域塊的變化類型是一樣的，這樣就可以不用一一對應像素，在基于面向對象和特征級的變化檢測實驗中可以更快速地獲得結果。也可綜合基于像素的評價方法與該方法得出變化類型。

綜合過去對于變化檢測過程中存在的一些問題和現(xiàn)有的一些比較先進的研究，本文提出以下幾個變化檢測領域未來的發(fā)展方向。

1）設計自動化的影像信息標注軟件系統(tǒng)，可以很大程度上減輕人工標注的繁重工作，在能提高標注效率的同時還能保證標注的準確性。在這樣系統(tǒng)的依托下一定能夠很好地提高遙感影像變化檢測的效率。

2）遙感影像變化檢測從之前的變化、未變化的二值分類研究逐漸過渡到了地物類型之間互相變化的多分類研究，這種from-to的變化可以提供更多的信息，在城市發(fā)展規(guī)劃、城市擴張的研究中都有很好的輔助作用。

3）基于深度學習的變化檢測方法在近幾年的研究中越來越常見，該方法通過其多層次、深層次的網絡結構在語義層次的變化檢測研究中表現(xiàn)出了巨大的潛力。

4 結語

遙感影像變化檢測經過幾十年的發(fā)展，現(xiàn)已廣泛應用在城市規(guī)劃、災害監(jiān)測、土地利用/土地覆蓋等領域，能有效地實現(xiàn)對地球的保護、資源的可持續(xù)發(fā)展等目標。國內外研究學者們一直致力于提出一個綜合性強、適用性廣的遙感變化檢測技術，實現(xiàn)自動化的、高效的變化檢測過程。但是由于現(xiàn)實因素的種種限制，這一理想化的變化檢測方法仍需進一步研究和驗證［90-91］。

本文通過多位學者對變化檢測的研究以及總結進行整理歸納，對變化檢測領域進行綜述，主要從變化檢測的發(fā)展、變化檢測的流程以及變化檢測面臨的挑戰(zhàn)和未來的發(fā)展三個方面進行，其中第二部分也是大多數(shù)研究人員研究的重點，本文從數(shù)據選擇及預處理、變化檢測技術、后處理及精度評價這三個方面對其進行總結。

盡管現(xiàn)在提出了很多有關變化檢測的方法，但是在變化檢測領域依舊存在很多的問題和挑戰(zhàn)。本文從數(shù)據影像質量、預處理過程、變化檢測方法及效率、后處理及精度評價等方面提出了變化檢測領域現(xiàn)存的一些問題。研究者們對于這些問題也提出了一些解決辦法，而且隨著時代的發(fā)展、技術的更新、新方法的引入，變化檢測的效果也在一點一點地提升，尤其是近幾年深度學習方法的引進，給變化檢測領域帶來了新的活力。

遙感影像變化檢測為探測地物狀態(tài)、地貌變化、城市發(fā)展等方面都帶來了極大的幫助，在以后的生活發(fā)展中也是必不可少的一門技術，在各國學者的共同努力下，變化檢測會朝著更好、更高效的方向發(fā)展。