SAR影像變化檢測(cè)研究綜述

劉明旭，張永紅

（1. 中國(guó)測(cè)繪科學(xué)研究院，北京100830；2. 山東科技大學(xué) 測(cè)繪科學(xué)與工程學(xué)院，山東 青島266590）

合成孔徑雷達(dá) (synthetic aperture radar，SAR)影像變化檢測(cè)是研究同一場(chǎng)景不同時(shí)間SAR影像上發(fā)生的變化，它是一種針對(duì) SAR圖像特點(diǎn)而建立的數(shù)據(jù)分析方法。目前，SAR影像變化檢測(cè)技術(shù)已逐漸成為遙感研究中的熱點(diǎn)，被廣泛應(yīng)用于軍事打擊效果評(píng)估、森林環(huán)境監(jiān)測(cè)、災(zāi)情估計(jì)、海冰變化、城市變遷及農(nóng)業(yè)莊稼生長(zhǎng)狀況監(jiān)測(cè)等[1-7]。Chini等[8]利用高分辨率光學(xué)影像和SAR影像協(xié)同檢測(cè)伊朗巴姆地區(qū)的地震受災(zāi)區(qū)域，并通過(guò)特征提取來(lái)確定受災(zāi)程度；Yackel等[7]根據(jù)厚雪與薄雪的散射回波以及對(duì)雪水當(dāng)量影響的不同，通過(guò)實(shí)地?cái)?shù)據(jù)采集，證明了利用SAR影像監(jiān)測(cè)雪水當(dāng)量變化的可行性；Martinis等[9]利用SAR影像對(duì)英國(guó)西南部大面積區(qū)域洪澇受災(zāi)區(qū)進(jìn)行自動(dòng)提取，根據(jù)廣義高斯模型基礎(chǔ)上的分塊參數(shù)閾值方法計(jì)算歸一化變化指數(shù)，自動(dòng)完成大尺度圖像的三類(lèi)變化檢測(cè)，得到小類(lèi)別的先驗(yàn)概率，在此基礎(chǔ)上利用混合馬爾科夫模型確定出變化區(qū)域，并利用2007年英格蘭南部洪災(zāi)數(shù)據(jù)驗(yàn)證了算法的精度；Kim等[10]以渤海漏油事件為例，討論了TERRA-SAR數(shù)據(jù)在突發(fā)事件監(jiān)測(cè)中的應(yīng)用，分析了其阻尼比率、輻射度精度和噪聲水平，并利用多源數(shù)據(jù)實(shí)現(xiàn)了近實(shí)時(shí)的溢油狀況監(jiān)測(cè)；龔麗霞等[11]利用SAR影像相關(guān)分析法對(duì)汶川地震中都江堰城區(qū)進(jìn)行了災(zāi)情評(píng)估；張瑞等[12]利用高分辨率SAR影像差值法對(duì)成都地區(qū)城市土地利用變化區(qū)域進(jìn)行了提取分析。本文對(duì)近年來(lái)SAR影像變化檢測(cè)技術(shù)研究進(jìn)行了總結(jié)，系統(tǒng)介紹了SAR影像變化檢測(cè)方法和發(fā)展前景。

1 變化檢測(cè)的主要流程

多時(shí)相SAR影像變化檢測(cè)流程（圖1）包括：根據(jù)需要選擇不同時(shí)相的SAR影像；對(duì)多時(shí)相SAR影像進(jìn)行輻射校正、幾何校正、影像匹配等預(yù)處理；選擇適當(dāng)?shù)淖兓瘷z測(cè)方法得到變化區(qū)域；精度驗(yàn)證。

大氣條件、濕度、照射角和雷達(dá)系統(tǒng)參數(shù)等都會(huì)對(duì)目標(biāo)區(qū)域的輻射值產(chǎn)生影響。因此，在選擇影像時(shí)應(yīng)盡量選擇外界影響差異較小的多時(shí)相影像，并對(duì)選擇的影像進(jìn)行輻射校正。變化檢測(cè)還要求多時(shí)相影像精確匹配，高精度的配準(zhǔn)是后續(xù)處理精度的保證。Dellepiane等[13]提出一種交叉標(biāo)準(zhǔn)化的預(yù)處理方法，通過(guò)濾波、直方圖截取和直方圖均衡化等操作，實(shí)現(xiàn)變化前后圖像的精確配準(zhǔn)，最后通過(guò)簡(jiǎn)單的RGB假彩色方式直觀地得到變化區(qū)域。在精確配準(zhǔn)的前提下簡(jiǎn)化了圖像處理流程，提高了數(shù)據(jù)處理速度。

變化檢測(cè)是用預(yù)處理后的多時(shí)相影像進(jìn)行變化信息的提取。變化檢測(cè)方法根據(jù)變化檢測(cè)信息的層次不同可分為像素級(jí)變化檢測(cè)和對(duì)象級(jí)變化檢測(cè)。在大多數(shù)的變化檢測(cè)方法中，都需要確定一個(gè)閾值，用來(lái)界定影像的變化區(qū)和未變化區(qū)[3,14]。最優(yōu)閾值的確定被公認(rèn)為變化檢測(cè)中的關(guān)鍵問(wèn)題和挑戰(zhàn)。

變化檢測(cè)結(jié)果的精度評(píng)價(jià)缺乏具體的評(píng)定標(biāo)準(zhǔn)。由于在變化檢測(cè)過(guò)程中數(shù)據(jù)本身的誤差、預(yù)處理誤差、變化檢測(cè)算法的誤差和處理過(guò)程的誤差等都將影響到最后的檢測(cè)結(jié)果，這些誤差如何傳遞、各部分對(duì)檢測(cè)結(jié)果的影響大小以及如何消除這些誤差影響等問(wèn)題尚未解決。常用的變化檢測(cè)精度評(píng)價(jià)指標(biāo)為總體精度、用戶精度、生產(chǎn)者精度和Kappa系數(shù)等。

圖1 SAR影像變化檢測(cè)流程圖

2 變化檢測(cè)方法

傳統(tǒng)的變化檢測(cè)方法有圖像差值法、圖像比值法、主成分分析法、回歸分析法、變化向量分析法和分類(lèi)后比較法等。傳統(tǒng)的變化檢測(cè)方法大多缺乏有力的數(shù)學(xué)理論和模型支撐，并且對(duì)噪聲和輻射度細(xì)微的差別比較敏感，難以勝任海量高分辨率影像的自動(dòng)處理[1]。

2.1 像素級(jí)變化檢測(cè)

像素級(jí)變化檢測(cè)首先利用變化前后的影像構(gòu)造差異影像，然后以像元為單位進(jìn)行變化信息的提取，通過(guò)最優(yōu)閾值將差異影像二值化。根據(jù)現(xiàn)有的研究成果，像素級(jí)變化檢測(cè)算法可分為統(tǒng)計(jì)分布模型法[1,14-23]、小波理論[24-26]和MRF模型[27-29]等。像素級(jí)變化檢測(cè)的主要流程是構(gòu)造差異影像、變化提取和結(jié)果評(píng)價(jià)。

2.1.1 構(gòu)造差異影像

構(gòu)造差異影像的方法有很多種，如代數(shù)運(yùn)算法、圖像變換法等。基于代數(shù)運(yùn)算構(gòu)造差異影像方法簡(jiǎn)單直觀，適應(yīng)性強(qiáng)，運(yùn)用較為廣泛。圖像變換法則不容易受噪聲等影響，產(chǎn)生的差異影像變化類(lèi)與未變化類(lèi)之間可分性更強(qiáng)。

常用的簡(jiǎn)單代數(shù)運(yùn)算法有圖像差值法、圖像比值法、回歸分析法和變化向量法等。SAR影像變化檢測(cè)早期的主要方法是差值法，該方法簡(jiǎn)單、直接，但容易受成像質(zhì)量、噪聲等影響。而圖像比值法對(duì)SAR圖像特有的相干斑噪聲不敏感，而且構(gòu)造差異影像迅速，比差值法更為高效[20]。在比值法的基礎(chǔ)上取對(duì)數(shù)，得到對(duì)數(shù)比值圖像，還能將乘性噪聲轉(zhuǎn)變?yōu)榧有栽肼?，一定程度上抑制了噪聲影響，處理起?lái)更加方便，所以很多變化檢測(cè)研究中[19-20,24,26-28,30-34]都應(yīng)用了比值法構(gòu)造差異影像。

圖像變換法的思路是將兩個(gè)時(shí)相的影像首先分別變換到成分空間中，變換后影像的第一波段即為第一成分影像，其解釋了原始影像的大部分信息，然后利用變換后得到的第一成分影像進(jìn)行差值，最后確定最佳閾值得到變化結(jié)果。通過(guò)對(duì)多時(shí)相影像進(jìn)行變換，可以減少數(shù)據(jù)之間的冗余信息，使得到的差異影像上的變化信息得到增強(qiáng)。常見(jiàn)的圖像變換法有PCA（主成分分析）、ICA（獨(dú)立組分分析）、CA（對(duì)應(yīng)分析）等。張輝[4]等將向量化后的兩幅SAR影像組成矩陣進(jìn)行主分量分解，利用分解后的此分量表征影像的變化區(qū)域。

為了克服傳統(tǒng)變化檢測(cè)方法所不能解決的SAR影像相干斑噪聲和視角的影響，Kullback和Leibler提出的交叉熵被用來(lái)衡量?jī)煞鄷r(shí)相影像的差異程度。通過(guò)交叉熵構(gòu)造差異影像是一種基于統(tǒng)計(jì)的方法，能夠較好地解決SAR影像相干斑噪聲和獲取影像側(cè)視角不同產(chǎn)生的影響[16-18,21-23]。Inglada等[17]用圖像的局部統(tǒng)計(jì)累積量來(lái)估計(jì)圖像的近似概率密度函數(shù)，并利用基于圖像統(tǒng)計(jì)分布的測(cè)度——交叉熵來(lái)標(biāo)示像素的歸屬度。這種方法的優(yōu)點(diǎn)是計(jì)算量小，可以快速提取出變化信息。Bovolo等[18]利用信息論的相似性度量對(duì)圖像概率密度函數(shù)隨時(shí)間的演變進(jìn)行建模，在同質(zhì)區(qū)域上自適應(yīng)地估計(jì)圖像統(tǒng)計(jì)概率密度函數(shù)，使概率密度函數(shù)具有空間上下文信息，在此基礎(chǔ)上運(yùn)用交叉熵度量方法形成變化信息圖。交叉熵作為基于SAR影像概率密度的測(cè)度，具有比操作單個(gè)像元更好的穩(wěn)定性，能更好地抑制斑點(diǎn)噪聲，反映兩幅影像的差異。

其他的處理方法如小波變換和馬爾科夫隨機(jī)場(chǎng)模型法也是比較熱點(diǎn)的方法。小波變換能夠通過(guò)分解和重構(gòu)削弱噪聲影響，增強(qiáng)變化信息。Bovolo等[30]在小波分解的基礎(chǔ)上利用局部統(tǒng)計(jì)量來(lái)標(biāo)記每個(gè)像元，分析圖像斑點(diǎn)的抑制和對(duì)細(xì)節(jié)的保持來(lái)選取最佳分解尺度，利用最佳尺度圖像進(jìn)行變化檢測(cè)，最后利用自適應(yīng)尺度驅(qū)動(dòng)的融合算法融合各尺度圖像。Celik等[25]分析了離散小波變換和非采樣離散小波變換的特性，非采樣離散小波變換具有對(duì)不需要采樣區(qū)域不會(huì)發(fā)生混淆效應(yīng)，噪聲具有很強(qiáng)的魯棒性，不需要先驗(yàn)知識(shí)參與，計(jì)算復(fù)雜度低和變化區(qū)邊界精確等優(yōu)點(diǎn)。由于非采樣離散小波變換的這些優(yōu)點(diǎn)，使得它可以被用在不同種類(lèi)的遙感影像上。

馬爾科夫隨機(jī)場(chǎng)通過(guò)估計(jì)像元屬于變化類(lèi)和非變換類(lèi)的概率，利用像元的空間鄰域關(guān)系提高對(duì)像元類(lèi)別真值估計(jì)的置信度。Carincotte等[28]提出一種利用模糊隱馬爾科夫鏈進(jìn)行變化檢測(cè)的方法，主要特性是對(duì)同等級(jí)的馬爾科夫鏈同時(shí)運(yùn)用迪拉克和勒貝勒測(cè)度，使隱馬爾科夫分割與模糊聚類(lèi)同時(shí)體現(xiàn)在圖像上，利用模糊聚類(lèi)的空間上下文關(guān)系提高結(jié)果精度。Moser[29]利用多通道SAR數(shù)據(jù)含有更豐富信息的優(yōu)點(diǎn)，將每個(gè)通道作為一個(gè)信息源，采用馬爾科夫隨機(jī)場(chǎng)模型進(jìn)行數(shù)據(jù)融合，利用通道間和通道內(nèi)的像元空間鄰域信息確定變化信息。

2.1.2 變化區(qū)域提取

變化區(qū)域提取就是將差異影像中所有像元分為變化類(lèi)和未變化類(lèi)。變化區(qū)域提取方法中，閾值法是最常用的方法，通過(guò)確定一個(gè)閾值，認(rèn)為大于等于該值的像元屬于一類(lèi)，小于該值的像元屬于另一類(lèi)。閾值選取的合理與否決定了變化檢測(cè)結(jié)果的質(zhì)量。最優(yōu)閾值的選取被公認(rèn)為變化檢測(cè)過(guò)程中的困難和挑戰(zhàn)。針對(duì)最優(yōu)閾值確定問(wèn)題，國(guó)內(nèi)外學(xué)者作了大量研究，產(chǎn)生了很多優(yōu)秀的算法，常見(jiàn)的有最大熵法、最大類(lèi)間差法、最大期望法（EM）[24,29]、最大概率法[20,27,28,31]、恒虛警率（CFAR）[16,22,35]等方法。

閾值分割技術(shù)大部分是都是建立在影像概率分布模型的基礎(chǔ)上的，變化區(qū)域提取方法多是對(duì)差異圖的累積分布模型進(jìn)行分割得到二值化影像。在北京地區(qū)城市化研究中，Ban等[23]利用多時(shí)相SAR影像對(duì)2008年和1998年的SAR影像比值差異圖，運(yùn)用KI最小誤差閾值算法得到變化區(qū)域，分別用4種分布模型來(lái)擬合差異圖分布，并通過(guò)實(shí)驗(yàn)證明用對(duì)數(shù)正態(tài)分布模型和卡方分布模型擬合圖像分布能獲得更好的檢測(cè)精度。高叢珊[36]和Bazi[20]等利用自適應(yīng)KI技術(shù)最優(yōu)閾值計(jì)算，實(shí)現(xiàn)差異圖的二值化。Moser等[37]提到的基于比值圖像的自動(dòng)閾值分割技術(shù)，將KI最小誤差閾值算法與對(duì)數(shù)累積量參數(shù)估計(jì)相結(jié)合，提出改良的閾值分割算法，在保證精度的前提下，由于運(yùn)算只針對(duì)圖像的直方圖，還擁有計(jì)算速度快的優(yōu)點(diǎn)。

隨著分辨率的提高，在處理中低分辨率影像時(shí)可以忽略的干擾成為需要解決的新難題。傳統(tǒng)方法對(duì)影像結(jié)構(gòu)、地物形狀等信息利用的很少，提取的變化信息往往比較破碎，難以獲得真正的變化區(qū)域。

2.2 對(duì)象級(jí)變化檢測(cè)

隨著SAR影像分辨率的不斷提高，像素級(jí)變化檢測(cè)越來(lái)越難以滿足數(shù)據(jù)處理的需要。與傳統(tǒng)的中、低空間分辨率影像相比，高分辨率影像的空間信息更加豐富，地物目標(biāo)的細(xì)節(jié)信息表達(dá)得更加清楚，相鄰地物之間的關(guān)系更加清晰。影像包含更多、更豐富的地理地形信息，能更好地反映局部地物的特性。面向?qū)ο笞兓瘷z測(cè)能夠有效克服像元級(jí)變化檢測(cè)所遇到的困難，使結(jié)果精度更高，更適用于高分辨率影像的變化檢測(cè)。

面向?qū)ο蟮淖兓瘷z測(cè)方法的思路，是對(duì)變化前后的影像依據(jù)紋理特性、特征空間的某些特性等進(jìn)行分類(lèi)或多尺度分割，得到影像對(duì)象，然后對(duì)分類(lèi)或分割得到的影像對(duì)象進(jìn)行比較，獲取其變化信息。面向?qū)ο蟮淖兓瘷z測(cè)方法以對(duì)象為基本單元，可以充分利用對(duì)象所固有的尺寸、形狀提取出基于對(duì)象的特征，從而提高變化區(qū)域和非變化區(qū)域的可分性以及不同地物之間的可分性，而且對(duì)象可以應(yīng)用各種地學(xué)的核心概念（距離、尺度、方向特征等），以此為基礎(chǔ)的語(yǔ)義表達(dá)以及推理等更符合人類(lèi)的思維方式和推理方式。Martino等[6]根據(jù)分形幾何的概念能識(shí)別受災(zāi)區(qū)分布模型和幾何結(jié)構(gòu)的變化的理論，構(gòu)建了一個(gè)分形框架模型，通過(guò)分形框架獲得圖像區(qū)域分形參數(shù)與區(qū)域之間的關(guān)系，以此確定受災(zāi)區(qū)的變化信息。

面向?qū)ο笞兓瘷z測(cè)包括多尺度分割[1,36,38-42]、基于特征的變化檢測(cè)[1,5,43,44]、基于幾何關(guān)系的變化檢測(cè)[45,46]和基于感興趣目標(biāo)的變化檢測(cè)[47-49]等等。面向?qū)ο笞兓瘷z測(cè)的主要過(guò)程有影像對(duì)象提取和特征比較。

2.2.1 影像對(duì)象提取

影像對(duì)象是像元集組成的連通區(qū)域或圖斑，具有豐富而可靠的光譜、紋理、形狀等統(tǒng)計(jì)特性，方便分析，利于處理。影像對(duì)象的提取是面向?qū)ο笞兓瘷z測(cè)的前提。根據(jù)影像對(duì)象的不同，影像對(duì)象的提取方法也不同。通常，影像對(duì)象是通過(guò)對(duì)原圖像進(jìn)行分割得到的，應(yīng)用一定的分割算法來(lái)實(shí)現(xiàn)整個(gè)場(chǎng)景中像元的聚類(lèi)操作。

在面向?qū)ο蟮挠跋駥?duì)象提取方面，國(guó)內(nèi)外學(xué)者作了大量研究。Celik等在小波分解的基礎(chǔ)上同時(shí)使用尺度內(nèi)數(shù)據(jù)和尺度間數(shù)據(jù)建立特征向量空間，最后使用K-Means 算法并使用歐氏距離指定每個(gè)特征向量為適當(dāng)?shù)念?lèi)，把特征向量空間聚類(lèi)成兩個(gè)不同的類(lèi)。黃勇等[38]根據(jù)SAR影像的統(tǒng)計(jì)特性，利用似然函數(shù)對(duì)影像就行分割，通過(guò)迭代求得最優(yōu)的區(qū)域分割描述。王文杰等[50]利用模糊分類(lèi)算法對(duì)影像進(jìn)行分割，提取分割對(duì)象的紋理特征、形狀特征等參數(shù)。羅灣等[41]對(duì)應(yīng)用了最小分割方法進(jìn)行分割的圖像進(jìn)行優(yōu)化，然后利用熱核不變量描述分割區(qū)域的結(jié)構(gòu)特征。尤紅建[40]提出一種聯(lián)合變化前后影像進(jìn)行基于方差的區(qū)域增長(zhǎng)算法的多尺度分割方法，

另外，一些基于目標(biāo)和特征的變化檢測(cè)方法則是直接提取感興趣目標(biāo)。Poulain等[5]通過(guò)檢測(cè)建筑物的線特征（邊緣）、面特征（表面、陰影等）來(lái)識(shí)別建筑物。陳富龍等[47]提出一種建立智能CASE庫(kù)的方法，通過(guò)大量的先驗(yàn)知識(shí)，建立地表目標(biāo)類(lèi)型的模型庫(kù)，然后利用模型庫(kù)與待檢測(cè)圖像進(jìn)行匹配，得到影像的目標(biāo)類(lèi)型。宋野[48]利用恒虛警率（CFAR）法，將單個(gè)像元的像元值與一個(gè)自適應(yīng)的閾值進(jìn)行比較來(lái)確定是否屬于目標(biāo)點(diǎn)。

2.2.2 影像特征比較

影像特征的比較是將提取的影像對(duì)象通過(guò)某種算法加以處理，或者通過(guò)比較影像對(duì)象的內(nèi)部特征，得到最終的變化檢測(cè)結(jié)果。影像特征比較算法根據(jù)提取的影像對(duì)象類(lèi)內(nèi)同質(zhì)性和類(lèi)間異質(zhì)性原理，常用的有距離測(cè)度和相似性測(cè)度等。蘭遠(yuǎn)鴿[1]通過(guò)計(jì)算區(qū)域之間的歐氏距離來(lái)判別對(duì)象是否屬于變化區(qū)域。黃勇等[38]通過(guò)比較區(qū)域的灰度均值、直方圖熵和灰度共生矩陣所構(gòu)成的距離函數(shù)來(lái)判別變化信息。羅灣等[41]將幾個(gè)區(qū)域熱核不變量構(gòu)成向量，檢測(cè)變化前后區(qū)域的向量是否發(fā)生變化，通過(guò)判定得到變化區(qū)域。尤紅建[40]根據(jù)區(qū)域的統(tǒng)計(jì)特性，利用交叉熵在不同尺度上計(jì)算差異指數(shù)，最終取得最佳差異指數(shù)，確定變化區(qū)域。

3 結(jié) 語(yǔ)

分析表明，無(wú)論是理論研究還是實(shí)際應(yīng)用，SAR影像變化檢測(cè)技術(shù)都需要朝著更加廣闊的方向發(fā)展：①SAR影像與其他多源數(shù)據(jù)協(xié)同進(jìn)行變化檢測(cè)變得更加實(shí)際，Barthelet[51]和 Mason[52]證實(shí)了SAR影像結(jié)合其他數(shù)據(jù)進(jìn)行變化檢測(cè)的可行性。②現(xiàn)在的SAR影像變化檢測(cè)算法多是建立在經(jīng)驗(yàn)基礎(chǔ)上，沒(méi)有一種真正專(zhuān)門(mén)針對(duì)SAR影像的變化檢測(cè)算法，需要對(duì)算法的普適性進(jìn)行進(jìn)一步的研究。③變化檢測(cè)結(jié)果還需要一個(gè)快速、精確、可信的評(píng)價(jià)手段。

[1]蘭遠(yuǎn)鴿.基于SAR影像的變化檢測(cè)技術(shù)研究[D].鄭州：信息工程大學(xué)，2010

[2]楊婧,沈忱,王憲彬.SAR圖像變化檢測(cè)技術(shù)研究綜述[J].中國(guó)水運(yùn),2011,11(1):109-111

[3]黃勇.SAR圖像變化檢測(cè)及相關(guān)技術(shù)研究[D].西安：電子科技大學(xué)，2006

[4]張輝.SAR圖像變化檢測(cè)技術(shù)研究[D].西安：電子科技大學(xué)，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]龔麗霞,安立強(qiáng),張景發(fā).利用SAR變化檢測(cè)方法提取城鎮(zhèn)震害[J].信息通信,2012(4):44-45

[12]張瑞,劉國(guó)祥,李濤,等.基于高分辨率TerraSAR-X影像的城市土地利用變化檢測(cè)[J].鐵道勘察,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.基于遙感影像的變化檢測(cè)研究[D].武漢：武漢大學(xué)，2005

[15]張耀天,胡睿,孫進(jìn)平,等.一種基于二維Gamma分布的SAR圖像變化檢測(cè)方法[J]. 系統(tǒng)工程與電子技術(shù),2010,32(5):927-930

[16]尤紅建,傅琨.基于分布模型差異的SAR變化檢測(cè)[J].武漢大學(xué)學(xué)報(bào)：信息科學(xué)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]王剛,劉智,王番,等.基于KL距離的SAR影像變化檢測(cè)[J].雷達(dá)科學(xué)與技術(shù),2010,10(1):59-63

[22]季艷,胡蕾.基于分布差異的多時(shí)相SAR圖像變化檢測(cè)[J].遙感技術(shù)與應(yīng)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]黃世奇,劉代志,胡明星,等.基于小波變換的多時(shí)相SAR圖像變化檢測(cè)技術(shù)[J].測(cè)繪學(xué)報(bào),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分類(lèi)器的SAR圖像變化檢測(cè)[J].紅外與毫米波學(xué)報(bào),2011(2):79-84

[27]申邵洪,譚德寶,梁東業(yè).基于馬爾科夫隨機(jī)場(chǎng)的多時(shí)相SAR影像變化檢測(cè)研究[J].長(zhǎng)江科學(xué)院院報(bào),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]李長(zhǎng)春,張光勝,王世東,等.基于MRF信息融合的多通道SAR圖像變化檢測(cè)算法[J].測(cè)繪科學(xué),2012(5):115-117

[32]李陽(yáng)陽(yáng),吳娜娜,焦李成,等.基于量子免疫克隆聚類(lèi)的SAR圖像變化檢測(cè)[J].紅外與毫米波學(xué)報(bào),2011(4):86-90

[33]辛芳芳,焦李成,王桂婷.基于Memetic算法的SAR圖像變化檢測(cè)[J]. 紅外與毫米波學(xué)報(bào),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]黃祥,孫洪,羅瑋,等.基于區(qū)域分類(lèi)的智能恒虛警SAR圖像目標(biāo)檢測(cè)[J]. 武漢大學(xué)學(xué)報(bào)：理學(xué)版，2004,50(1):104-108

[36]高叢珊,張紅,王超,等.廣義Gamma模型及自適應(yīng)KI閾值分割的SAR圖像變化檢測(cè)[J].遙感學(xué)報(bào),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]黃勇,王建國(guó),黃順吉.基于圖像分割的SAR圖像變化檢測(cè)算法及實(shí)現(xiàn)[J].信號(hào)處理,2005(2):149-152

[39]萬(wàn)紅林,焦李成,辛芳芳.基于交互式分割技術(shù)和決策級(jí)融合的SAR圖像變化檢測(cè)[J].測(cè)繪學(xué)報(bào),2012,41(1):74-80

[40]尤紅建.多尺度分割優(yōu)化的SAR變化檢測(cè)[J].武漢大學(xué)學(xué)報(bào)：信息科學(xué)版,2011,36(5):531-534

[41]羅灣,林偉,溫金環(huán).基于區(qū)域熱核不變量的SAR圖像變化檢測(cè)[J].宇航學(xué)報(bào)，2011,32(11):2 410-2 416

[42]賴祖龍,申邵洪,程新文,等.基于圖斑的高分辨率遙感影像變化檢測(cè)[J].測(cè)繪通報(bào),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]杜培軍,柳思聰.融合多特征的遙感影像變化檢測(cè)[J].遙感學(xué)報(bào),2012,16(4): 663-677

[45]常寶,張弓.基于幾何結(jié)構(gòu)的SAR圖像無(wú)監(jiān)督變化檢測(cè)方法[J].電子學(xué)報(bào),2011,39(9):2 025-2 029

[46]李坤,楊然,王雷光,等.基于敏感特征向量的SAR圖像災(zāi)害變化檢測(cè)技術(shù)[J].計(jì)算機(jī)工程與應(yīng)用,2012,48(3):24-28

[47]陳富龍,王超,張紅.基于智能CASE庫(kù)的多時(shí)相SAR影像分類(lèi)方法——土地利用及變化監(jiān)測(cè)[J].遙感技術(shù)與應(yīng)用,2007,22(2):204-209

[48]宋野.基于目標(biāo)檢測(cè)的SAR圖像變化檢測(cè)方法研究[D].北京：中國(guó)科學(xué)院研究生院,2004

[49]萬(wàn)紅林,焦李成,王桂婷,等.在感興趣的區(qū)域?qū)用嫔线M(jìn)行SAR圖像變化檢測(cè)的方法研究[J].測(cè)繪學(xué)報(bào),2012,41(2):239-245

[50]王文杰,趙忠明,朱海青.面向?qū)ο筇卣魅诤系母叻直媛蔬b感圖像變化檢測(cè)方法[J]. 計(jì)算機(jī)應(yīng)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