SAR变化检测研究综述

SAR变化检测研究综述

　　1 引言
　　
　　遥感变化检测是指通过对不同时期同一区域的遥感图像进行比较分析，根据图像之间的差异得到我们所需要的地物或目标的变化信息。现代遥感技术的飞速发展为变化检测提供了一种便捷的途径，遥感数据成为变化检测的主要数据源。
　　与可见光和红外遥感相比，微波遥感具有无可比拟的优点：微波能穿透云雾、雨雪，具有全天候、全天时的工作能力。二，微波对地物有一定穿透能力。三，采用侧视方式成像，覆盖面积大。正是这些优点，使得SAR 图像日益成为变化检测的重要数据源。
　　SAR 变化检测技术的需求日益广泛。目前，全球坏境变化加剧，城市急速发展，洪水、地震等自然灾害时有发生，这些都需要及时掌握相关动态信息，为相关决策部门提供支持，而SAR 的种种优点为快速响应提供了技术支持和应急保障。
　　
　　2 变化检测的研究内容
　　
　　2.1 图像配准
　　图像的配准精度对变化检测的精度影响很大，如果图像没有较高精度的配准，则图像的错位会带来大量的虚警。因此，针对这一方面，Dai 和Khorran[1]得出的结论为：好的变化检测结果需要高精度的配准算法。Jeannie Moulton [2]等针对多时相SAR 图像的平移及偏转误差提出一种解决方法。意大利的Paolo [3]针对高分辨SAR 影像配准的困难，提出基于象元与特征相结合的方法进行未精确配准的变化检测研究。
　　
　　2.2 噪声抑制
　　基于 SAR 图像的变化检测对斑点的抑制要求很高：降班算法要既能有效降斑，还能保持图像的细节信息。因此，需要采用性能良好的自适应降斑方法来完成。相干斑抑制方法可以分为两类：一类是成像前的多视平滑处理，但同时也降低了图像的空间分辨率，所以目前常用的方法为成像后的去相干斑噪声的滤波技术。滤波方法主要有：（1）传统方法，如均值滤波、中值滤波等；（2）模型方法，假定静态的噪声模型，采用相应的滤波器进行处理，如Kalman 滤波和Lee 滤波；（3）几何滤波方法，如Gamma MAP 滤波；（4）基于局域统计自适应滤波，这种方法能在平滑噪声的同时较好的保持边缘信息，是目前的SAR 变化检测常用的方法。
　　
　　2.3 变化信息提取及后处理
　　进行变化信息提取时，可以选择适当的变化检测方法对两个时相的遥感影像进行变化信息的提取。根据实际野外观测提供目标区变化的真实信息，并借助相关统计资料和专题资料对变化信息进行后处理，归并小图斑，消除提取出的变化信息中的伪变化信息[4]。
　　2.4 精度评价
　　通常采取误差矩阵法进行精度评价。根据真实变化图与变化信息图比较，归纳到误差矩阵中。变化误差矩阵如表1。
　　根据这一变化误差矩阵，变化检测的性能可以通过下面的参数来定量分析：
　　虚警率 Pjd 为实际未变化但检测为发生变化的比例，表示了检测出的变化点中误判点的比例。
　　Pjd= Cjd/ C0 (1)
　　漏检率Pir 为实际发生变化但检测为未变化的比例，表示了未检测出的变化点在所有变化点中的比例。
　　Pir= Cir/ C1 (2)
　　检测概率Pid 为实际发生变化或非变化且检测为变化或非变化的比例，表示了对所有变化区域的检测百分比。
　　Pid= （Cid+ Cir ）/ （C0+ C1） (3)
　　
　　3 常用的变化检测算法
　　
　　SAR 图像变化检测是研究不同时期的同一场景图像之间发生的变化。归结起来，近些年逐步形成的SAR 图像变化检测方法可以分为：(1)基于简单代数运算的变化检测，经典的变化检测方法包括图像差值法、图像比值法、对数比值法；(2)基于图像变换的变换检测，经典的变化检测方法包括主成分分析、变化向量分析法、相关分析法图像变换法；(3)基于图像分类的变化检测方法。
　　
　　3.1 代数运算法
　　早期变化检测的主要方法是利用图像差值法，主要利用两幅图像对应像素点的灰度差值作为变化判别依据，该方法简单、直接，但是容易受成像质量、噪声等的影响。图像差值法应用于海岸线环境、森林变化、沙漠化等。与差值法相比，比值差异图像与原始SAR 图像的平均强度值无关，对于SAR 图像的乘性噪声不敏感，而且减少了辐射定标误差的影响。
　　图像比值法对于SAR 图像上的乘性噪声是不敏感的，被广泛用于城区变化检测。对数比值法，在得到对应像素的比值后，再取其对数，能压缩图像的变化范围，将乘性噪声转换为加性噪声。代数运算法的优点是直接、简单，主要缺点在于(1)没有考虑多时相图像之间的相关性，简单计算可能出现虚警率；(2)变化阈值确定困难。
　　
　　3.2 图像变换法
　　Lillesand[5]提出的主分量法，又称K-L 变换，是一种经典的数学变换方法，把原来多个波段中的有用信息集中到互不相关的新成分图像中，达到冗余压缩和信息集中的目的。在进行主成分变换时，利用协方差矩阵和相关矩阵得到的主分量是不同的，由相关矩阵推导的主分量变换对于多时相分析是尤其有用的[6][7]。
　　Malila 提出了变化向量分析法(Change Vector Analysis,CVA)[6],Johnson[8]等详细阐述了这种方法的具体内容、优缺点。变化向量法是一种多变量的方法，描述从第一时间到第二时间的光谱变化的强度和方向。如果变化向量的幅值超过给定的门限，则判定该像素发生变化，变化向量的方向包含变化类型信息。该方法可用在多通道极化SAR 图像的变化检测，或者用于多特征，如空间结构特征，纹理特征等分析。
　　相关分析法，斑点的时相去相关提供了地表在结构或介电特性上可能的变化信息，并且这种变化检测不依赖于定标精度。实际应用中，通常使用一般的强度图像来计算斑点相关系数，不考虑相位信息。
　　
　　3.3 分类法分类
　　后比较法，在70 年代末开始应用于Landsat 卫星影像的变化检测。分类后比较法是对每幅图像单独进行分类，然后对图像的分类结果图进行比较，以确定变化的类别和区域。
　　如果对应像素的分类类别相同，则认为该像素没有发生变化，否则认为该像素发生了变化。
　　使用分类法的优点主要有：(1)可以给出区域变化的类型、位置、数量等有关地物性质信息；(2)受图像配准的影响要小。此方法的主要缺点是它受分类器的影响很大，不同的分类器能够决定变化检测的精度高低。
　　同时分类法，将多时相图像构成一副复合影像进行分类，得到的分类结果图中的每一类代表一种变化类型。此方法能够减少分类时间，但是难于标记变化类别，而且分类更加复杂，对训练样本的选取相当高。
　　随着计算机技术的发展，解决复杂问题的各种数学方法与专家知识被逐渐加入。人工神经网络、向量机、专家智能等方法成为热点。
　　
　　4 国内外研究现状
　　
　　近几十年来，SAR 变化检测技术被越来越多的国内外学者所关注。国外，SAR 变化检测技术方兴未艾，国内，该技术正处于起步阶段[9]。
　　
　　4.1 国外现状
　　国外，Vilasenor [10]利用两幅重轨ERS-1 SAR 影像对阿拉斯加北坡地区进行了变化检测，验证了雷达后向散射强度的差值比较可以作为变化检测的一种方法。Rignot[11]等人根据多视SAR 强度影像服从Gamma 分布的假设，从理论上证明了比值法更适合多时相SAR 影像的变化检测。Bazi[12] [13] [14][15]、Bruzzone[16]等在多时相SAR 比值图像的阈值变化检测算法上展开一系列研究。针对直接代数运算法没有考虑到象元的空间上下文信息，误检和漏检现象严重，近几年来出现了在此基础上的基于上下文空间关系的变化检测，主要从两个方面进行改进。一方面，单尺度上利用差异图像的上下文关系进行进一步的优化得到变化图, Bruzzone[17]
　　首先利用 Markov 随机场对差值图像进行分析，并求得最优的变化检测结果。文献[18][19][20][21][22]都是基于马尔科夫随机场进行上下文分析。文献[23][24]利用神经网络进行上下文分析；另一方面，利用差异图像的小波多尺度信息进行优化得到变化图，如Bovolo[25],Inglada[26],Celik.T[27][28]利用多尺度小波信息进行变化信息的优化。
　　Fung [29],Gong [30]等先后将主成份变换应用于变化检测中。Qiu[31]等人将分块主分量分析(Multi-Block PCA)法应用于图像变化检测。
　　Rignot[11]等人利用ERS-1 的重轨影像进行了不同方法的变换检测，得出，对于单视影像或者是视数较小的多视影像，基于去相关的变换检测方法效果最好。Corri[32]通过计算三幅多时相影像两两之间的相关系数进行变化检测，并提出一种对建筑物变化敏感的检测方法。
　　Hyung Sup [33]等利用多时相JERS-1SAR 数据，进行了多种方法的变化检测，认为去相关法对于检测物体属性的变化是非常有用的方法。Takashi[34]等用相关系数法以及标准偏差系数法进行了比较，发现，相关系数法提取的区域要小于标准差系数的区域，对于大面积区域，更适合用标准差系数法来进行变化检测。
　　Roger[35]等利用Seasat 和SIR-B 不同时相图像，用最小距离分类器得到了森林主要变化类型的大小和范围。White [36]对基于模型与基于神经网络方法进行了比较，认为神经网络训练得当，则此方法优于基于模型的方法。Fabio [37]等提取出后向强度、相关参数以及纹理参数特征，进行神经网络监督分类，进行变化检测。Welismiller[38]等采用同时分类法进行了德克萨斯地区海岸带环境变化检测。
　　White[36]针对SAR 图像的斑点噪声以及配准问题，提出基于图像分割的方法，并利用神经元网络进行对象识别，在此基础上进行变化检测。Craves[39]对多时相ERS-SAR 数据进行了分割，分割后的图像叠加起来进行检测。日本L．Zhu [40]利用分水岭分割实现建筑物提取，在此基础上进行变化检测。瑞典的Hongtao Hu [41]等利用面向对象分割方法，然后进行特征选择，利用神经网络分类提高分类精度，最后进行变化检测。Francesca [42]对多时相SAR 影像进行分割，分割后的图像利用距离测度确定变换图像，进一步设定阈值进行变化检测。
　　
　　4.2 国内现状
　　熊博莅[43]在差值图像基础上对阈值的自动选择算法进行了研究.王超等[44]利用radasat-1数据对蚌埠市进行比值法变化检测。金亚秋[45][46] [47]、廖明生[48],江利明[49],宋妍[50]，王桂婷[51]，申邵洪[52]采用马尔科夫随机场模型描述SAR 比值差异图像的空间上下文信息，进行了基于该模型的变化检测。张路[53]利用顾及上下文关系的贝叶斯理论进行变化区域提取。王桂婷等[54],李杰等[55]进行了基于小波变换的多尺度融合检测方法。
　　张辉等[56][57]将向量化后的两SAR 图像组成的矩阵进行主分量分解,利用分解后的次分量表征为图像的变化部分。
　　廖明生[58]利用多时相SAR 影像的比值以及相关系数组成二维图像进行变化检测，此方法比用单一方法检测更加有效。
　　王永平等[59]对SAR 图像进行聚类分析，对聚类后的图像引入M 距离进行变化检测。黄勇等[60]对原图像进行分块，利用每一块内的纹理特征和灰度特征进行非监督变化检测。黄玉琴[61]把地统计学纹理应用到SAR 图像分类中，得到城市覆盖区的专题信息。赵小杰[62]计算出不同的纹理特征，用K 近邻法进行聚类后再进行变化检测，并与比值法以及差值法比较，得出该方法适合城区变化检测的结论。
　　黄勇[63] [64]首先对两幅SAR 图像进行似然比分割，利用距离函数进行变化检测。蔡纯[65]
　　在模拟退火分割基础上，进行了区域似然比的变化检测。文献[66]用模糊知识分类器进行对象分类,进行分类后比较。Hong Chi[66]用模糊知识分类器进行对象分类,进行分类后比较。
　　种劲松等 [67][68]利用纹理差值变化检测方法，采用最小错误率的贝叶斯方法对北京地区Radarsat 多时相数据进行变化检测。张军团 [69]着重研究了二阶灰度特征，提出了基于二阶统计特性的SAR 图像变化检测算法，在目标与背景强度差距大的情况取得很好的变化检测效果。
　　变化检测的各种方法各有优缺点，各有适用范围，实际应用中，哪种好坏没有定论。区域不同、需要不同，方法的选择也不同。
　　
　　5 前景
　　
　　目前的 SAR 变化检测算法大部分为中低分辨率、象元级、单极化的SAR 影像变化检测。最近几年，SAR 成像技术日益成熟，图像质量逐渐提高，分辨率不断增强，获取数据的能力和精度越来越高，图像获取越来越便捷。尤其是2007 年，德国TerrraSAR-X 和意大利Cosmo-SkyMed 新型雷达系统的出现，引起了雷达遥感研究和应用的热潮。随着新型雷达系统的出现，SAR 变化检测的前景会更加广阔：
　　1 高空间分辨率使得SAR 图像能够在较小的空间尺度上探测细节变化，实现对建筑物、道路等地面目标细微特征的探测。
　　2 多极化方式能够使得雷达图像的解译变得更为容易，实现在变化信息提取的基础上进一步确定变化类型。
　　3 高空间分辨率影像的纹理结构更加清晰，纹理特征成为重要的识别信息，实现特征级变化检测。
　　因此，随着雷达技术的发展，SAR 的变化检测研究将会实现高分辨率、特征级、多极化的变化检测，进而在军事侦查、探测，资源环境监测，土地利用与覆盖变化以及灾害评估与监测等方面起到越来越重要的作用。

中国硕士论文网提供大量免费硕士毕业论文,如有业务需求请咨询网站客服人员！
　　
　　参考文献
　　[1]X.Dai and S.Khorram．The effects of image misregistration on the accuracy of remotely sensed changedetection[J]．IEEE Transaction on Geoscience and Remote Sens，1998，36(5)：1566–1577．
　　[2]Jannie Moulton，Saleem Kassam，Fauzia Ahmad，etc．Target and change detection in synthetic aperture radarsensing of urban structures[J]．Radar Conference, 2012，5：1-6．
　　[3]Paolo Gamba，Fabil Dell ， Gianni Lisini．Change detection of mulittemporal SAR data in urban areacombining feature-based and pixel-based techniques[J]． IEEE Transaction on Geoscience and Remote Sensing，2006，44(10)：2820-2827．
　　[4] 吴芳，刘荣，田维春，等．遥感变化检测技术及其应用综述[J]．地理空间信息，2007，5(4)：57-60．
　　[5]Lillesnad，T.M．，R．W．Keief．Remote Sensing and Image Interpretation，2nd Edition．John Wiley&Sons，1979．
　　[6]Ashbindu Singh．Principal components analysis in remote sensing[J]．IEEE Geoscience and Remote Sensing，1993，18-21(4)：1680-1682．
　　[7]张路．基于多元统计分析的遥感影像变化检测方法研究[D]．武汉：武汉大学，2004．
　　[8]Malila，W.A． Change vector analysis：an approach for detecting forest changes with Landsat．Proceeding，LARS Machine Processing of Remotely Sensed Data Sympostium，W．Lafayette，in：Laboratory for theApplication of Remote Sensing：326－335．
　　[9]陈富龙，张红，王超．SAR 变化检测技术发展综述[J]．遥感技术与应用，2007， 22（1）：109-115．
　　[10]Vilasenor L D．Eatland D R，Hinzman L D． Change detection on Alaska's North Slope using repeat-passERS-1 SAR images[J]．IEEE Transactions on Geoscience and Remote Sensing，1993，31(1)：227-236．
　　[11]Eric J， Rignot M．Change Detection techniques for ERS-1 SAR data[J]．IEEE Transactions on Geoscienceand Remote Sensing，1993，(31)4：896-906．
　　[12]Bazi Y，Bruzzone L，Melgani F．Automatic identification of the number and value of decision thresholds in thelog-ratio images for change detection in SAR images[J]．IEEE Geoscience and Remote Sensing，2006，3(3)：349-353．
　　[13]Bazi.Y，Bruzzone．L，Melgani．F．An unsupervised approach based on the generalized Gaussian model toautomatic change detection in multitemporal SAR images[J]．IEEE Geoscience and Remote Sensing，2005．43(4)：874-887．
　　[14]Bazi.Y，Bruzzone．L，Melgani．F．Automatic identification of the number and values of decision thresholdsin the log-ratio image for change detection in SAR images．IEEE Transactions on Geoscience and RemoteSensing，2006．3(3)：349-353．
　　[15] Bazi.Y， Bruzzone．L， Melgani．Farid．Image thresholding based on the EM algorithm and the generalizedGaussian distribution．Pattern Recognition．2007，40(2) ：619–634．
　　[16]Bruzzone.L．A minimum-cost thresholding technique for unsupervised change[J]．Internationa l Journal ofRemote Sensing，2000，21(18)：3539–3544．
　　[17]Bruzzone.L， Prieto ． D． F ． Automatic analysis of the difference image for unsupervised changedetection[J]．IEEE Geoscience and Remote Sensing，2000，38(3)：1171-1182．
　　[18]Bruzzone.L，Prieto．D．F．An adaptive semiparametric and context-based approach to unsupervised changedetection in multitemporal remote-sensingimages[J]．IEEE Transactions on Geoscience and Remote Sensing，2002， 11(4) ：452-466．
　　[19] Kasetkasem ．T and Varshney． P． An Image Change Detection Algorithm Based on Markov Random FieldModels[J]．IEEE Transactions on Geoscience and Remote Sensing，2002，40(8)： 1815–1823．
　　[20]Derrode．Ｍ， Mercier G，Ｐieczynski W．Unsupervised change detection in SAR images using amulti-component HMC model．Multi-Temp， July， 16-18 2003， Ispra， Italy．
　　[21]Bazi．Y， Bruzzone．L，andMelgani．F．Change Detection in Multitemporal SAR Images Based on the EM-GAAlgorithm and Markov Random Fields．Proc. of the 3rd Int. Workshop on the Analysis of Multitemporal RemoteSensing Images (MultiTemp 2005), Biloxi, Mississippi, USA, May 2005．
　　[22] Zied Bouyahia， Lamia Benyoussef，St? ephane Derrode．Change detection in synthetic aperture radar imageswith a sliding hidden Markov chain model．Journal of Applied Remote Sensing，2012．
　　[23]Ghosh .S， Bruzzone．L， Bovolo．F．etc．all．A Context-Sensitive Technique for Unsupervised ChangeDetection Based on Hopfield-Type Neural Networks[j]． IEEE Transactions on Geoscience and RemoteSensing， 2007，45(3)：778-789．
　　[24]Ghosh.S， Patra.S， Ghosh．A．An unsupervised context-sensitive change detection technique based onmodified self-organizing feature map neural network[J] ． International Journal of ApproximateReasoning．2012 ,50 (1) 37–50．
　　[25]Bovolo.F and Bruzzone．Lorenzo． A Detail-Preserving Scale-Driven Approach to Change Detection inMultitemporal SAR Images[J]． IEEE Transactions on Geoscience and Remote Sensing， 2005，43(12)：2963-2972．
　　[26]Jordi Inglada and Grégoire Mercier． A New Statistical Similarity Measure for Change detection inmultitemporal SAR images and its extension to multiscale change analysis[j]． IEEE Transactions onGeoscience and Remote Sensing， 2007，45(5)：1432-1445．
　　[27]Turgay Celik， Multiscale Change Detection in Multitemporal Satellite Images[J]． IEEE Transactions onGeoscience and Remote Sensing， 2012，6(4)：820-824．
　　[28]Turgay Celik． A Bayesi anapproach to unsupervised multiscale change detection in SAR images[]J． SignalProcessing，2012，90(5)： 1471-1485．
　　[29]Fung，T．E．Ledrew，Application of principal components analysis to change detection[J]．PhotogrammetricEngineering and Remote Sensing，1987，53(12) ：1649-1658．
　　[30]Gong.P． Change detection using principal component analysis and fuzzy set theory ．Canadian Journal ofRemote Sensing，1993 ，19(1)： 22-29．
　　[31]Qiu B，Prinet V，Perrier E，and Monga O．Multi-block PCA method for image change detection．Proceedingsof 12thinternational conference on image analysis and processing，，Mantova，Italy，17-19 Sept，2003：385-390．
　　[32]Corr D G．Coherent change detection for urban development monitoring[J]，IEEE Geoscience and RemoteSensing ，Apr 1997， Vol：6/1-6/6．
　　[33]Hyung S J ，Ho N L，Vong W L．Change detection using multi-temporal SAR images ．
　　[34]Takashi Nonaka，Takashi Shibayama，Hiroko Umakawa．A comparison of the methods for the urban landcover change detection by high resolution SAR data[J]．IEEE Transactions on Geoscience and Remote Sensing，2007，Vol，23-28，July， 3470-3473．
　　[35]Roger M．Hoffer，Kyu-sung Lee，Forest change classification using seasat and SIR-B satellite SAR data．IEEETransactions on Geoscience and Remote Sensing，1989，Vol 3， 10-14 Jul，1372-1375．
　　[36]White R．G，Change detection in SAR imagery．IEEE Transactions on Geoscience and Remote

【SAR变化检测研究综述】相关文章：

战略联盟理论研究综述05-11

关于公司治理与股利政策的关系研究综述06-08

企业压力管理中压力源的研究综述论文06-11

人力资源管理效能评价方法研究综述05-08

论文综述的格式12-20

文献综述格式09-27

化学综述论文12-22

医学综述的写作方法12-06

文献综述的写法及标准格式要求08-10

学位论文中的文献综述写作06-02