SAR影像变化检测研究综述

刘明旭，张永红

（1. 中国测绘科学研究院，北京100830；2. 山东科技大学 测绘科学与工程学院，山东 青岛266590）

合成孔径雷达 (synthetic aperture radar，SAR)影像变化检测是研究同一场景不同时间SAR影像上发生的变化，它是一种针对 SAR图像特点而建立的数据分析方法。目前，SAR影像变化检测技术已逐渐成为遥感研究中的热点，被广泛应用于军事打击效果评估、森林环境监测、灾情估计、海冰变化、城市变迁及农业庄稼生长状况监测等[1-7]。Chini等[8]利用高分辨率光学影像和SAR影像协同检测伊朗巴姆地区的地震受灾区域，并通过特征提取来确定受灾程度；Yackel等[7]根据厚雪与薄雪的散射回波以及对雪水当量影响的不同，通过实地数据采集，证明了利用SAR影像监测雪水当量变化的可行性；Martinis等[9]利用SAR影像对英国西南部大面积区域洪涝受灾区进行自动提取，根据广义高斯模型基础上的分块参数阈值方法计算归一化变化指数，自动完成大尺度图像的三类变化检测，得到小类别的先验概率，在此基础上利用混合马尔科夫模型确定出变化区域，并利用2007年英格兰南部洪灾数据验证了算法的精度；Kim等[10]以渤海漏油事件为例，讨论了TERRA-SAR数据在突发事件监测中的应用，分析了其阻尼比率、辐射度精度和噪声水平，并利用多源数据实现了近实时的溢油状况监测；龚丽霞等[11]利用SAR影像相关分析法对汶川地震中都江堰城区进行了灾情评估；张瑞等[12]利用高分辨率SAR影像差值法对成都地区城市土地利用变化区域进行了提取分析。本文对近年来SAR影像变化检测技术研究进行了总结，系统介绍了SAR影像变化检测方法和发展前景。

1 变化检测的主要流程

多时相SAR影像变化检测流程（图1）包括：根据需要选择不同时相的SAR影像；对多时相SAR影像进行辐射校正、几何校正、影像匹配等预处理；选择适当的变化检测方法得到变化区域；精度验证。

大气条件、湿度、照射角和雷达系统参数等都会对目标区域的辐射值产生影响。因此，在选择影像时应尽量选择外界影响差异较小的多时相影像，并对选择的影像进行辐射校正。变化检测还要求多时相影像精确匹配，高精度的配准是后续处理精度的保证。Dellepiane等[13]提出一种交叉标准化的预处理方法，通过滤波、直方图截取和直方图均衡化等操作，实现变化前后图像的精确配准，最后通过简单的RGB假彩色方式直观地得到变化区域。在精确配准的前提下简化了图像处理流程，提高了数据处理速度。

变化检测是用预处理后的多时相影像进行变化信息的提取。变化检测方法根据变化检测信息的层次不同可分为像素级变化检测和对象级变化检测。在大多数的变化检测方法中，都需要确定一个阈值，用来界定影像的变化区和未变化区[3,14]。最优阈值的确定被公认为变化检测中的关键问题和挑战。

变化检测结果的精度评价缺乏具体的评定标准。由于在变化检测过程中数据本身的误差、预处理误差、变化检测算法的误差和处理过程的误差等都将影响到最后的检测结果，这些误差如何传递、各部分对检测结果的影响大小以及如何消除这些误差影响等问题尚未解决。常用的变化检测精度评价指标为总体精度、用户精度、生产者精度和Kappa系数等。

图1 SAR影像变化检测流程图

2 变化检测方法

传统的变化检测方法有图像差值法、图像比值法、主成分分析法、回归分析法、变化向量分析法和分类后比较法等。传统的变化检测方法大多缺乏有力的数学理论和模型支撑，并且对噪声和辐射度细微的差别比较敏感，难以胜任海量高分辨率影像的自动处理[1]。

2.1 像素级变化检测

像素级变化检测首先利用变化前后的影像构造差异影像，然后以像元为单位进行变化信息的提取，通过最优阈值将差异影像二值化。根据现有的研究成果，像素级变化检测算法可分为统计分布模型法[1,14-23]、小波理论[24-26]和MRF模型[27-29]等。像素级变化检测的主要流程是构造差异影像、变化提取和结果评价。

2.1.1 构造差异影像

构造差异影像的方法有很多种，如代数运算法、图像变换法等。基于代数运算构造差异影像方法简单直观，适应性强，运用较为广泛。图像变换法则不容易受噪声等影响，产生的差异影像变化类与未变化类之间可分性更强。

常用的简单代数运算法有图像差值法、图像比值法、回归分析法和变化向量法等。SAR影像变化检测早期的主要方法是差值法，该方法简单、直接，但容易受成像质量、噪声等影响。而图像比值法对SAR图像特有的相干斑噪声不敏感，而且构造差异影像迅速，比差值法更为高效[20]。在比值法的基础上取对数，得到对数比值图像，还能将乘性噪声转变为加性噪声，一定程度上抑制了噪声影响，处理起来更加方便，所以很多变化检测研究中[19-20,24,26-28,30-34]都应用了比值法构造差异影像。

图像变换法的思路是将两个时相的影像首先分别变换到成分空间中，变换后影像的第一波段即为第一成分影像，其解释了原始影像的大部分信息，然后利用变换后得到的第一成分影像进行差值，最后确定最佳阈值得到变化结果。通过对多时相影像进行变换，可以减少数据之间的冗余信息，使得到的差异影像上的变化信息得到增强。常见的图像变换法有PCA（主成分分析）、ICA（独立组分分析）、CA（对应分析）等。张辉[4]等将向量化后的两幅SAR影像组成矩阵进行主分量分解，利用分解后的此分量表征影像的变化区域。

为了克服传统变化检测方法所不能解决的SAR影像相干斑噪声和视角的影响，Kullback和Leibler提出的交叉熵被用来衡量两幅多时相影像的差异程度。通过交叉熵构造差异影像是一种基于统计的方法，能够较好地解决SAR影像相干斑噪声和获取影像侧视角不同产生的影响[16-18,21-23]。Inglada等[17]用图像的局部统计累积量来估计图像的近似概率密度函数，并利用基于图像统计分布的测度——交叉熵来标示像素的归属度。这种方法的优点是计算量小，可以快速提取出变化信息。Bovolo等[18]利用信息论的相似性度量对图像概率密度函数随时间的演变进行建模，在同质区域上自适应地估计图像统计概率密度函数，使概率密度函数具有空间上下文信息，在此基础上运用交叉熵度量方法形成变化信息图。交叉熵作为基于SAR影像概率密度的测度，具有比操作单个像元更好的稳定性，能更好地抑制斑点噪声，反映两幅影像的差异。

其他的处理方法如小波变换和马尔科夫随机场模型法也是比较热点的方法。小波变换能够通过分解和重构削弱噪声影响，增强变化信息。Bovolo等[30]在小波分解的基础上利用局部统计量来标记每个像元，分析图像斑点的抑制和对细节的保持来选取最佳分解尺度，利用最佳尺度图像进行变化检测，最后利用自适应尺度驱动的融合算法融合各尺度图像。Celik等[25]分析了离散小波变换和非采样离散小波变换的特性，非采样离散小波变换具有对不需要采样区域不会发生混淆效应，噪声具有很强的鲁棒性，不需要先验知识参与，计算复杂度低和变化区边界精确等优点。由于非采样离散小波变换的这些优点，使得它可以被用在不同种类的遥感影像上。

马尔科夫随机场通过估计像元属于变化类和非变换类的概率，利用像元的空间邻域关系提高对像元类别真值估计的置信度。Carincotte等[28]提出一种利用模糊隐马尔科夫链进行变化检测的方法，主要特性是对同等级的马尔科夫链同时运用迪拉克和勒贝勒测度，使隐马尔科夫分割与模糊聚类同时体现在图像上，利用模糊聚类的空间上下文关系提高结果精度。Moser[29]利用多通道SAR数据含有更丰富信息的优点，将每个通道作为一个信息源，采用马尔科夫随机场模型进行数据融合，利用通道间和通道内的像元空间邻域信息确定变化信息。

2.1.2 变化区域提取

变化区域提取就是将差异影像中所有像元分为变化类和未变化类。变化区域提取方法中，阈值法是最常用的方法，通过确定一个阈值，认为大于等于该值的像元属于一类，小于该值的像元属于另一类。阈值选取的合理与否决定了变化检测结果的质量。最优阈值的选取被公认为变化检测过程中的困难和挑战。针对最优阈值确定问题，国内外学者作了大量研究，产生了很多优秀的算法，常见的有最大熵法、最大类间差法、最大期望法（EM）[24,29]、最大概率法[20,27,28,31]、恒虚警率（CFAR）[16,22,35]等方法。

阈值分割技术大部分是都是建立在影像概率分布模型的基础上的，变化区域提取方法多是对差异图的累积分布模型进行分割得到二值化影像。在北京地区城市化研究中，Ban等[23]利用多时相SAR影像对2008年和1998年的SAR影像比值差异图，运用KI最小误差阈值算法得到变化区域，分别用4种分布模型来拟合差异图分布，并通过实验证明用对数正态分布模型和卡方分布模型拟合图像分布能获得更好的检测精度。高丛珊[36]和Bazi[20]等利用自适应KI技术最优阈值计算，实现差异图的二值化。Moser等[37]提到的基于比值图像的自动阈值分割技术，将KI最小误差阈值算法与对数累积量参数估计相结合，提出改良的阈值分割算法，在保证精度的前提下，由于运算只针对图像的直方图，还拥有计算速度快的优点。

随着分辨率的提高，在处理中低分辨率影像时可以忽略的干扰成为需要解决的新难题。传统方法对影像结构、地物形状等信息利用的很少，提取的变化信息往往比较破碎，难以获得真正的变化区域。

2.2 对象级变化检测

随着SAR影像分辨率的不断提高，像素级变化检测越来越难以满足数据处理的需要。与传统的中、低空间分辨率影像相比，高分辨率影像的空间信息更加丰富，地物目标的细节信息表达得更加清楚，相邻地物之间的关系更加清晰。影像包含更多、更丰富的地理地形信息，能更好地反映局部地物的特性。面向对象变化检测能够有效克服像元级变化检测所遇到的困难，使结果精度更高，更适用于高分辨率影像的变化检测。

面向对象的变化检测方法的思路，是对变化前后的影像依据纹理特性、特征空间的某些特性等进行分类或多尺度分割，得到影像对象，然后对分类或分割得到的影像对象进行比较，获取其变化信息。面向对象的变化检测方法以对象为基本单元，可以充分利用对象所固有的尺寸、形状提取出基于对象的特征，从而提高变化区域和非变化区域的可分性以及不同地物之间的可分性，而且对象可以应用各种地学的核心概念（距离、尺度、方向特征等），以此为基础的语义表达以及推理等更符合人类的思维方式和推理方式。Martino等[6]根据分形几何的概念能识别受灾区分布模型和几何结构的变化的理论，构建了一个分形框架模型，通过分形框架获得图像区域分形参数与区域之间的关系，以此确定受灾区的变化信息。

面向对象变化检测包括多尺度分割[1,36,38-42]、基于特征的变化检测[1,5,43,44]、基于几何关系的变化检测[45,46]和基于感兴趣目标的变化检测[47-49]等等。面向对象变化检测的主要过程有影像对象提取和特征比较。

2.2.1 影像对象提取

影像对象是像元集组成的连通区域或图斑，具有丰富而可靠的光谱、纹理、形状等统计特性，方便分析，利于处理。影像对象的提取是面向对象变化检测的前提。根据影像对象的不同，影像对象的提取方法也不同。通常，影像对象是通过对原图像进行分割得到的，应用一定的分割算法来实现整个场景中像元的聚类操作。

在面向对象的影像对象提取方面，国内外学者作了大量研究。Celik等在小波分解的基础上同时使用尺度内数据和尺度间数据建立特征向量空间，最后使用K-Means 算法并使用欧氏距离指定每个特征向量为适当的类，把特征向量空间聚类成两个不同的类。黄勇等[38]根据SAR影像的统计特性，利用似然函数对影像就行分割，通过迭代求得最优的区域分割描述。王文杰等[50]利用模糊分类算法对影像进行分割，提取分割对象的纹理特征、形状特征等参数。罗湾等[41]对应用了最小分割方法进行分割的图像进行优化，然后利用热核不变量描述分割区域的结构特征。尤红建[40]提出一种联合变化前后影像进行基于方差的区域增长算法的多尺度分割方法，

另外，一些基于目标和特征的变化检测方法则是直接提取感兴趣目标。Poulain等[5]通过检测建筑物的线特征（边缘）、面特征（表面、阴影等）来识别建筑物。陈富龙等[47]提出一种建立智能CASE库的方法，通过大量的先验知识，建立地表目标类型的模型库，然后利用模型库与待检测图像进行匹配，得到影像的目标类型。宋野[48]利用恒虚警率（CFAR）法，将单个像元的像元值与一个自适应的阈值进行比较来确定是否属于目标点。

2.2.2 影像特征比较

影像特征的比较是将提取的影像对象通过某种算法加以处理，或者通过比较影像对象的内部特征，得到最终的变化检测结果。影像特征比较算法根据提取的影像对象类内同质性和类间异质性原理，常用的有距离测度和相似性测度等。兰远鸽[1]通过计算区域之间的欧氏距离来判别对象是否属于变化区域。黄勇等[38]通过比较区域的灰度均值、直方图熵和灰度共生矩阵所构成的距离函数来判别变化信息。罗湾等[41]将几个区域热核不变量构成向量，检测变化前后区域的向量是否发生变化，通过判定得到变化区域。尤红建[40]根据区域的统计特性，利用交叉熵在不同尺度上计算差异指数，最终取得最佳差异指数，确定变化区域。

3 结 语

分析表明，无论是理论研究还是实际应用，SAR影像变化检测技术都需要朝着更加广阔的方向发展：①SAR影像与其他多源数据协同进行变化检测变得更加实际，Barthelet[51]和 Mason[52]证实了SAR影像结合其他数据进行变化检测的可行性。②现在的SAR影像变化检测算法多是建立在经验基础上，没有一种真正专门针对SAR影像的变化检测算法，需要对算法的普适性进行进一步的研究。③变化检测结果还需要一个快速、精确、可信的评价手段。

[1]兰远鸽.基于SAR影像的变化检测技术研究[D].郑州：信息工程大学，2010

[2]杨婧,沈忱,王宪彬.SAR图像变化检测技术研究综述[J].中国水运,2011,11(1):109-111

[3]黄勇.SAR图像变化检测及相关技术研究[D].西安：电子科技大学，2006

[4]张辉.SAR图像变化检测技术研究[D].西安：电子科技大学，2008

[5]Poulain V, Inglada J, Spigai M, et al. High-Resolution Optical and SAR Image Fusion for Building Database Updating [J].IEEE Transactions on Geosciences and Remote Sensing, 2011,41(8):2 900-2 910

[6]Martino G D, Iodide A, Riccio D, et al.A Novel Approach for Disaster Monitoring Fractal Models and Tools [J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(6):1 559-1 570

[7]Yackel J J, Barber D G. Observations of Snow Water Equivalent Change on Landfast First-year Sea Ice in Winter Using Synthetic Aperture Radar Data [J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(4):1 005-1 015

[8]Chini M. Exploiting SAR and VHR Optical Images to Quantify Damage Caused by the 2003 Bam Earthquake[J].IEEE Transactions on Geoscience and Remote Sensing, 2009,47(1):145-152

[9]Martinis S, Twele A, Voigt S.Unsupervised Extraction of Flood-Induced Backscatter Changes in SAR Data Using Markov Image Modeling on Irregular Graphs[J].IEEE Transactions on Geoscience and Remote Sensing.2011，49(1):251-263

[10]Kim D, Moon W M, Kim Y S. Application of TerraSAR-X Data for Emergent Oil-Spill Monitoring [J]. IEEE Transactions on Geoscience and Remote Sensing,2010,48(2):852-863

[11]龚丽霞,安立强,张景发.利用SAR变化检测方法提取城镇震害[J].信息通信,2012(4):44-45

[12]张瑞,刘国祥,李涛,等.基于高分辨率TerraSAR-X影像的城市土地利用变化检测[J].铁道勘察,2011(4):17-21

[13]Dellepiane G.A New Method for Cross-Normalization and Multitemporal Visualization of SAR Images for the Detection of Flooded Areas [J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(7):2 765-2 779

[14]佃袁勇.基于遥感影像的变化检测研究[D].武汉：武汉大学，2005

[15]张耀天,胡睿,孙进平,等.一种基于二维Gamma分布的SAR图像变化检测方法[J]. 系统工程与电子技术,2010,32(5):927-930

[16]尤红建,傅琨.基于分布模型差异的SAR变化检测[J].武汉大学学报：信息科学版,2008,33(5):454-456

[17]Inglada J, Mercier G.A New Statistical Similarity Measure for Change Detection in Multitemporal SAR Images and Its Extension to Multiscale Change Analysis [J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(5):1 432-1 445

[18]Bovolo F, Bruzzone L.An Adaptive Technique Based on Similarity Measures for Change Detection in Very High Resolution SAR Images[C].IGARSS，2008

[19]Bazi Y, Melgani F, Bruzzone L, et al.A Genetic Expectationmaximization Method for Unsupervised Change Detection in Multitemporal SAR Imagery [J]. International Journal of Remote Sensing, 2009, 30(24): 6 591-6 610

[20]Bazi Y, Bruzzone L, Melgani F. An Unsupervised Approach Based on the Generalized Gaussian Model Automatic Change Detection in Multitemporal SAR Image [J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(4):874-887

[21]王刚,刘智,王番,等.基于KL距离的SAR影像变化检测[J].雷达科学与技术,2010,10(1):59-63

[22]季艳,胡蕾.基于分布差异的多时相SAR图像变化检测[J].遥感技术与应用,2010,25(4):277-281

[23]Mercier G.Conditional Copulas for Change Detection in Heterogeneous Remote Sensing Images [J]. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(5):1 428-1 441

[24]黄世奇,刘代志,胡明星,等.基于小波变换的多时相SAR图像变化检测技术[J].测绘学报,2010,30(2):180-186

[25]Celik T, Ma K K.Multitemporal Image Change Detection Using Undecimated Discrete Wavelet Transform and Active Contours [J].IEEE Transactions on Geoscience and Remote Sensing, 2011,49(2):706-716

[26]辛芳芳,焦李成,王桂婷,等.基于小波域FISHER分类器的SAR图像变化检测[J].红外与毫米波学报,2011(2):79-84

[27]申邵洪,谭德宝,梁东业.基于马尔科夫随机场的多时相SAR影像变化检测研究[J].长江科学院院报,2010(1):53-55

[28]Carincotte C, Derrode S, Bourennane S.Unsupervised Change Detection on SAR Images Using Fuzzy Hidden Markov Chains [J].IEEE Transactions on Geoscience and Remote Sensing, 2006,44(2):432-441

[29]Moser G, Serpico S B.Unsupervised Change Detection from Multichannel SAR Data by Markovian Data Fusion [J]. IEEE Transactions on Geoscience and Remote Sensing, 2009,47(7):2 114-2 128

[30]Bovolo F, Bruzzone L.A Detail-preserving Scale-driven Approach to Change Detection in Multitemporal SAR Images [J].IEEE Transactions on Geoscience and Remote Sensing, 2005,43(12):2 963-2 972

[31]李长春,张光胜,王世东,等.基于MRF信息融合的多通道SAR图像变化检测算法[J].测绘科学,2012(5):115-117

[32]李阳阳,吴娜娜,焦李成,等.基于量子免疫克隆聚类的SAR图像变化检测[J].红外与毫米波学报,2011(4):86-90

[33]辛芳芳,焦李成,王桂婷.基于Memetic算法的SAR图像变化检测[J]. 红外与毫米波学报,2012,31(1):67-72

[34]Bazi Y, Bruzzone L, Melgani F.An Unsupervised Approach Based on the Generalized Gaussian model to Automatic Change Detection in Multitemporal SAR Images [J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(4):874-887

[35]黄祥,孙洪,罗玮,等.基于区域分类的智能恒虚警SAR图像目标检测[J]. 武汉大学学报：理学版，2004,50(1):104-108

[36]高丛珊,张红,王超,等.广义Gamma模型及自适应KI阈值分割的SAR图像变化检测[J].遥感学报,2010,14(4):710-724

[37]Moser G.Generalized Minimum-error Thresholding for Unsupervised Change Detection from SAR Amplitude Imagery [J].IEEE Transactions on Geoscience and Remote Sensing, 2006,44(10):2 972-2 982

[38]黄勇,王建国,黄顺吉.基于图像分割的SAR图像变化检测算法及实现[J].信号处理,2005(2):149-152

[39]万红林,焦李成,辛芳芳.基于交互式分割技术和决策级融合的SAR图像变化检测[J].测绘学报,2012,41(1):74-80

[40]尤红建.多尺度分割优化的SAR变化检测[J].武汉大学学报：信息科学版,2011,36(5):531-534

[41]罗湾,林伟,温金环.基于区域热核不变量的SAR图像变化检测[J].宇航学报，2011,32(11):2 410-2 416

[42]赖祖龙,申邵洪,程新文,等.基于图斑的高分辨率遥感影像变化检测[J].测绘通报,2009(8):17-20

[43]Gamba P, Acqua F, Lisini G.Change Detection of Multitemporal SAR Data in Urban Areas Combining Feature-based and Pixelbased Techniques[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(10)

[44]杜培军,柳思聪.融合多特征的遥感影像变化检测[J].遥感学报,2012,16(4): 663-677

[45]常宝,张弓.基于几何结构的SAR图像无监督变化检测方法[J].电子学报,2011,39(9):2 025-2 029

[46]李坤,杨然,王雷光,等.基于敏感特征向量的SAR图像灾害变化检测技术[J].计算机工程与应用,2012,48(3):24-28

[47]陈富龙,王超,张红.基于智能CASE库的多时相SAR影像分类方法——土地利用及变化监测[J].遥感技术与应用,2007,22(2):204-209

[48]宋野.基于目标检测的SAR图像变化检测方法研究[D].北京：中国科学院研究生院,2004

[49]万红林,焦李成,王桂婷,等.在感兴趣的区域层面上进行SAR图像变化检测的方法研究[J].测绘学报,2012,41(2):239-245

[50]王文杰,赵忠明,朱海青.面向对象特征融合的高分辨率遥感图像变化检测方法[J]. 计算机应用研究,2009,26(8):3 149-3 151

[51]Barthelet E.Building Change Detection in a Couple of Optical and SAR High Resolution Images[C].IGARSS，2011

[52]Mason D.Improving River Flood Extent Delineation from Synthetic Aperture Radar Using Airborne Laser Altimetry [J].IEEE Transactions on Geoscience and Remote Sensing, 2007,45(12):3 932-3 943

[53]Celik T. Multiscale Change Detection in Multitemporal Satellite Images [J].IEEE Geoscience and Remote Sensing Letters, 2009,6(4): 820-824