一文了解遥感影像变化检测技术与应用

1.什么是遥感影像变化检测

变化检测是对多个栅格数据集（通常在不同时期针对一个区域收集）进行比较，以确定变化的类型、幅度和位置变化包括人为活动、突然的自然干扰或长期的气候或环境趋势等。基于遥感影像进行变化检测的研究也是遥感领域多年来的研究热点。目前已经在多个领域得到应用，如土地利用、城市扩张、农田变化、地质灾害监测、生态环境保护、湿地监测、森林防护等。

而常见的变化检测具体的任务范畴涵盖以下几点：

1）检测研究区域内植被覆盖、建筑物与构筑物等是否发生了变化；

2）提取变化地理区域，将变化与未变化像元区分开；

3）明确具体变化类型，比如耕地变建筑，还是耕地变果园；

4）分析变化的时空分布模式。

2.变化检测发展阶段

随着对地观测技术、IT技术、人工智能的发展，变化检测方法也在不断演进。国内一些研究人员将变化检测发展总结为四个阶段，主要包括变化检测萌芽期、变化检测的兴起、变化检测高潮期和变化检测浪潮期。

1)第一阶段(1970-1989)：变化检测萌芽期。主要是基于像素的变化检测。该时期受限于遥感技术发展，遥感影像分辨率较低，一般多为10米及以上的分辨率，难以提取图像对象。因此变化检测主要技术手段多为逐像素进行代数计算，生成差异图后再进行阈值设定，从而得到变化结果。该时期的变化检测方法有代数法、变换法、分类法等。

2)第二阶段(1990-1999)：变化检测的兴起。该时期机器学习方法较为主流，分类与回归树、反向传播算法、卷积神经网络、支持向量机等机器学习算法涌现，并应用于变化检测研究中，并进一步提高遥感影像变化检测的精度和效果。

3)第三阶段(2000-2009)：变化检测的高潮。该时期高分辨率及亚米级商业遥感卫星迅速发展，图像更清晰，更适合面向对象的图像分析方式。此阶段，基于像素与面向对象方法通常结合应用。

4)第四阶段(2010-至今)：变化检测的浪潮。深度学习为代表的人工智能成为主流热点，出现了基于深度学习方法的遥感变化检测。

3.变化信息提取方法

变化检测技术流程一般包括三步：数据准备（含数据选择与预处理）选择、变化检测方法选择与信息提取、后处理分析。

在此我们只讨论变化信息提取的技术手段和相应算法。变化检测方法按照基本单元、先验知识、是否考虑时相、变化检测策略等不同划分依据，可以进行多种分类。比如按照基本单元，可以划分为基于像素的变化检测、面向对象的变化检测；按照数据时相，可以分类单时相分类比较法、双时相比较法、时序分析法等；按照是否利用先验知识，可以分为监督分类、非监督分类等；按照变化检测策略，可以分为算术运算法、分类比较法、图像视觉分析法等，其中视觉分析法包含机器学习、深度学习等不同算法类型……

接下来我们就当前研究与应用中使用最为广泛的一些常见方法做简要说明。

3.1 基于像素的变化信息提取

基于像素的变化检测算法是以像素为处理单元，逐个像素计算光学影像或建模数据（例如温度或风速）之间的差异（差值或比值），得到差异图像，然后利用阈值分割的方法对变化信息进行提取。适合用于对大面积区域的变化检测，比如水体、森林、植被覆盖的变化。但不适合应用在高分辨率遥感影像提取小范围区域内的变化，容易产生虚假的、存在噪声的像素点。

GeoScene Pro中提供基于像素的变化检测工具，支持对栅格数据集执行差异（(To Raster) - (From Raster)）计算、相对差异计算（(To Raster - From Raster) / max(To Raster, From Raster)）等。

图1 提取两个 Landsat 8 影像的土壤调整植被指数 (SAVI) 值的损失

3.2 面向对象的变化检测

面向高分辨率遥感影像数据的变化提取，许多学者提出了面向对象检测的思想。面向对象的变化检测方法以图像分割和分类为基础，综合像元周围的空间和光谱特性，把具有同质性的像素进行组合构成对象，然后以对象为单位进行特征（如植被系数等）比较，从而进行变化检测。主要用于识别一段时间内从一个地类更改为另一个地类的区域。在建筑物变化检测、土地覆被变化等方面有广泛的应用。

GeoScene Pro中提供面向对象的变化检测工具，包含“计算变化”地理处理工具，支持对栅格数据集执行基于分类的变化检测。

图2 含林地、裸地与开发用地等地类的土地覆被变化

3.3 时间序列分析方法

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，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。通常只用于大面积目标的变化分析，如植被变化、土地覆盖变化等。

为了得到更精确的变化检测结果，一般需要考虑数据图像序列集在时间上的关系，因此专家学者们提出了多种基于模型的方法。典型的模型有基于陆地卫星检测干扰和恢复的趋势算法（Landsat-based Detection of Trends in Disturbance and Recovery，以下简称LandTrendr）、连续土地覆盖变化检测和分类模型（Continuous Change Detection and Classification，以下简称CCDC）等。

1）LandTrendr 模型是由 Kennedy 等提出的，该算法的目的是提取有关干扰（从一种状态到另一种状态的短期变化）和恢复（恢复为原始状态的长期过程）如何改变地表要素的信息。LandTrendr 算法是基于可以根据时间将像素历史记录拆分成几个线段这一想法建立的。可能很长一段时间内变化很小，由一条小坡度直线表示。当发生干扰时，像素的值将发生变化，由一条可能很陡峭的短线段表示。如果允许进行恢复（例如在森林大火之后），则这将以一条略微倾斜的长线表示，该线向后移回像素的原始值。

图3 上图中像素在一段时间内为绿色，然后发生了干扰，像素变为灰棕色，然后随着时间的推移缓慢恢复为绿色。在 LandTrendr 算法中，这由位于图像底部的图表中的三条线段表示。每个变化处有一个折点，用于帮助描述线段。

2）CCDC算法（Zhu 和 Woodcock，2014）用来评估多维图像的像素值随时间的变化。在光学影像或影像指数（例如 NDVI）的时间序列中，像素值可能会因以下几个原因而波动：

- 季节性变化：像素值变化反映了由于温度、阳光和降水量的季节性变化而导致的植被变化。例如，在北半球，预计夏季的绿色植被密度要高于冬季。

- 逐渐变化：像素值变化反映了由于气候变化或长期土地管理实践而引起的植被或地表水趋势。例如，由于降水量的长期减少，裸土面积可能会逐渐增加。

- 突然变化：像素值变化反映了森林砍伐、城市发展、自然灾害等事件导致的突然发生的土地覆被变化。

图 4 CCDC 算法可以识别所有三种变化类型，其主要目的是识别突变。可将谐波回归和趋势模型拟合到数据中，以估计季节性变化、逐渐变化，自趋势模型的突然偏差是突然变化的表示。

GeoScene Pro提供“使用CCDC分析变化”以及“使用LandTrendr分析变化”工具，用于沿栅格影像的时间序列执行变化检测。并提供“使用变化分析栅格检测变化”工具，识别有关时间序列中的每个像素的变化时间和变化幅度等信息。

图5 使用 CCDC 分析变化工具可以提取最新变化的时间、最早变化的时间、最大变化的时间、变化次数等

图 6 使用 LandTrendr 分析变化工具可以提取最新/最早/最大/最长/最短/最快/最慢变化时间、变化次数等

以下为某地区1980年到2020年的粉尘数据，利用连续变化检测和分类(CCDC)工具来检测粉尘浓度的变化。

GeoScene Pro中创建“时态图”图表，对生成的变化分析栅格做可视化与探索，了解数据的时间变化趋势。可以看到某几个关键节点粉尘值变化较大。

使用变化分析栅格检测变化工具，输入变化分析栅格，选择要检测的变化类型。可以了解最近、最早、最大变化的日期，或者变化次数。此处选择变化次数。

工具运行后，生成该地区变化频率栅格图。进行符号化后，得到粉尘浓度不断变化的区域。

3.4 深度学习法

近几年，深度学习的发展十分迅速，因为深度学习具有端到端的网络结构在遥感影像变化检测领域受到广泛的应用。目前基于深度学习的变化检测方法有许多研究，包括卷积神经网络、深度信念网络、递归神经网络、堆栈自编码网络、深度神经网络等。目前已有的网络模型包括顾炼等提出的 FlowS-Unet 网络；Huang等提出了一种基于张量和深度学习的多光谱遥感图像变化检测方法；Hao Chen等在2020年5月发表了STANet模型，实现基于时空自注意力的遥感图像变化检测。

GeoScene 2.1中新增支持深度学习变化检测模型ChangeDetector，该模型来源于STANet。

图7 STANet模型网络结构，此模型适用于单类别变化检测，如建筑物增减、查违拆违等业务场景。

以下为使用GeoScene提供的变化检测深度学习模型进行建筑物变化检测，整体的步骤分为：样本准备，模型训练与模型推理。

1）变化检测的样本比较特殊，需要准备三份栅格数据：

图8 变化检测样本栅格数据

由于变化检测本质上还是一个二分类问题（变化、未变化），所以在变化区域样本制作的过程中，建议将变化区域栅格的值设置成1，未变化区域栅格值设置成0。在前期影像、后期影像以及变化区域影像栅格数据准备好之后，便可以进行样本切片与导出。样本导出使用的是`导出样本工具`。

图9 变化检测样本导出工具

2）准备好样本之后，接下来便可以进行最重要的模型训练环节。由于边缘检测模型暂时还无法在GeoScene Pro（预计2.2版本支持）中训练，所以需要在Notebook中使用Python API进行训练。

图10 模型训练

3）模型推理阶段我们需要先将两幅影像进行融合再进行下一步的推理，需要使用波段合成工具，将变化前后两期影像合成一张影像，然后使用`像素分类`推理工具对合成之后的波段进行推理。

图11 像素分类工具

图12 变化检测模型推理结果

参考文献：

[1]任秋如，杨文忠，汪传建，魏文钰，钱芸芸．遥感影像变化检测综述[J/OL]．计 算机应用. https://kns.cnki.net/kcms/detail/51.1307.tp.20210114.0948.036.html

[2]佟国峰，李勇，丁伟利，岳晓阳． 遥感影像变化检测算法综述［J］． 中国图象图形学报，2015，20( 12) : 1561-1571．］［DOI: 10． 11834 /jig． 20151201

[3]张立福，王飒，刘华亮，林昱坤，王晋年，朱曼，高了然，童庆禧．从光谱 到时谱——遥感时间序列变化检测研究进展．武汉大学学报(信息科学版). https://doi.org/10.13203/j.whugis20200666