遥感变化检测方法综述

遥感变化检测方法综述遥感技术在土地利用变化信息提取中的应用进入21世纪以来，随着人口的迅速增长，土地资源变得越来越重要。为了有效保护和合理开发土地资源，真实、准确和实时地把握土地利用现状就显得越来越重要。遥感技术以其快速高效的特点，很快很自然地成为了土地利用变化监测的重要研究手段，国内外众多学者都利用过遥感的方法获取了土地利用变化信息。遥感图像变化信息提取方法从算法的角度可将目前变化检测的方法分为四类:(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)基于特征描述的变化检测。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)和变化向量分析(changevectoranalysis)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。理论上，在得到的差值图像上，差值为0或接近0的认为是不变区域，不为0的认为是变化区域。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将不同时相的遥感影像对应波段进行逐像元相除。通过对不同时相影像做相对辐射校正，得到的比值图像增强了变化信息，其中像元比值为1或者近似为1的认为是未发生变化的区域，像元比值明显高于或低于1的认为是发生变化的区域。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）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（3）植被指数法由于植物普遍对红光强烈吸收和对近红外光强烈反射，因此红光和近红外波段之间的比值有利于提高光谱差异。利用波段间比值图像主要有两个优点：不同地物特征的光谱响应曲线差异可能会在比值图像中得到进一步增强；比值能压抑地形效应并对辐射差异进行一定程度的归一化。它对地面植被变化信息的检测具有较好的效果，但对于地面其他变化类型的检测适用性不强。基于简单代数运算的变化检测（4）图像回归分析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。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。但是这种方法的检测需要得到准确的回归方程且需要选择合适的波段，在实际应用中精度不高。基于简单代数运算的变化检测（5）变化向量分析法变化矢量分析法首先对两个不同时相的影像进行差值运算，求得每个像元的变化值，称为变化向量。变化的强度用变化向量的欧氏距离表示，变化的内容用变化向量的方向表示。变化矢量分析法可以利用较多甚至全部的波段来探测变化像元，因此避免了单一波段比较所带来的信息不完整，而且可以通过变化矢量的方向提供变化类型信息，但是随着波段数的增加，变化阈值的确定比较困难。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，这类方法中还一个重要的环节是选择合适的波段或者波段组合。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)、缨帽变换(K-T)和典型相关分析(Canonical)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）K-T变换法通过对不同时相图像的各波段建立变换方程，变换后，TM产生6个分量(除热红外波段)，MSS图像产生4个分量，在前三个分量集中了绝大部分信息且与地物有明确对应关系，所以只取其前三个分量。K-T变换后再对两时相图像相减生成变化图像，最后通过阈值法来辨识变化信息，但K-T变换不适合SPOT图像。因为K-T变换算法的转换系数对每种传感器是不同的，目前还没人提出K-T变换应用于SPOT的转换系数。基于图像变换的变化检测（3）典型相关分析法与PCA方法类似，典型相关分析法的思路是，将多时相的多光谱图像看作是多元随机变量，引入多元统计分析的理论和方法进行变化检测的研究。其实质是把差异总信息分配到互不相关的几个变量上，以达到最大限度保持这一差异的总信息量不改变的情况下，检测出图像之间发生的变化。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。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。比较新的变化检测方法新的遥感变化检测方法很多，比较常用的两种是交叉相关分析法和ChiSquare变换法。交叉相关分析法(Cross-CorrelationAnalysisCCA)在以前分类图的基础上用当前的遥感图像检测发生变化的区域。它首先将当前的遥感图像叠置在旧的分类图上，分类图的边界就将遥感图像划分为不同的小块，统计不同小块的光谱响应均值和标准差，得到“期望值”；其次，比较每个像元期望值与光谱实际值之差(或叫“静态z值”)。如果差值比较大，说明是可能发生变化的区域。该方法的难点是差值的阈值的确定。交叉相关分析法的优点是所要监测的两个时相的图像不必要是相同的成像条件。遥感变化检测方法变化趋势随着新的传感器不断出现，卫星数据产品不断增多，关于遥感图象变化检测方法的研究形式也出现了新的变化趋势。（1）遥感变化检测方法由传统的线型运算处理模式拓展到了非线型处理模式；（2）从单一的多光谱遥感数据影像变化检测方式升级为综合利用多源影像相关数据进行变化检测方式；（3）遥感变化检测模式由单纯考虑影像的像素DN值的运算演化为考虑像素内部组成，以及像素内物质的反射物理机制的复杂演算；（4）遥感变化检测方法由单一的变化检测方式发展为复合式的变化检测技术。实验附图图1基于代数运算的变化检测实验附图图2多波段主成分变换分析提取变化信息图3两次主成分变换分析提取变化信息实验附图图4分类后比较法提取变化信息谢谢指导！汇报完毕让我们一起努力，把最好的教育献给我们的孩子！