下载掌阅APP，畅读海量书库
立即打开
变化检测的基本工作流程主要包括 ［5］ ：数据选择，即根据研究目的选择合适的遥感影像；影像预处理，主要涉及几何配准技术、辐射校正技术等；特征提取，即提取目标的特征以比较目标在不同时相间的差异；变化检测，即检测合适的特征对象在多时相影像中是否发生了变化；精度评价，即利用目视分析、精度指标等手段对检测结果进行评价。变化检测的基本工作流程如图1.1所示。
图1.1 变化检测的基本工作流程
根据研究目的选择合适的多时相遥感影像数据是开展变化检测的基础和前提 ［6］ 。高分辨率遥感影像带来了更加丰富的空间信息，相较于中、低分辨率遥感影像，其能够更好地反映地物的光谱、纹理、形状等细节特征，同时具有定位精度高、实时性强、对比度高等诸多优点。近年来，国际上出现了以高分辨率遥感数据为背景的地理空间信息服务的软件和网站，使高分辨率影像数据正在成为社会公众所熟悉和接受的主流空间信息 ［7］ 。
目前，变化检测采用的高分辨率遥感影像主要包括航空遥感影像、合成孔径雷达（SAR，Synthetic Aperture Radar）卫星遥感影像、光学卫星遥感影像等，根据研究目的合理选择不同传感器类型的遥感影像是数据选择的重要内容。例如，航空遥感影像通常具有1 m以内的空间分辨率，还具有可读性强、信息量丰富、应用范围广等优点，但是在变化检测中较光学卫星遥感影像更容易受到几何配准、阴影、噪声以及气象条件等因素的影响 ［8］ 。SAR卫星遥感影像具有全天候、穿透力强等优点，能够在极端天气条件下获取可靠的观测数据，但成像机理的固有局限导致的相干斑噪声使SAR卫星遥感影像变化检测较光学卫星遥感影像面临更多的挑战 ［9］ 。另外，应尽量选择采集时刻接近、季节相同的多时相遥感影像，以减少太阳高度角、物候条件等因素造成的影响 ［10］ 。同时，还应尽量选择辐射分辨率相同的遥感影像，而大气环境、光照差异、云层遮盖等也是需要考虑的因素 ［11］ 。此外，遥感影像的时间分辨率也是需要考虑的因素。一般认为，遥感影像采集间隔为3~4年才能较为准确地反映土地覆盖变化。但随着人类活动进程的不断加快，往往需要更高的时间分辨率（即更短的时间间隔） ［12］ 。
由于遥感系统的信息获取会受到太阳高度角、光照差异、云层遮盖、大气的吸收与散射、传感器高度与姿态角等因素的影响，因此在变化检测之前需要进行合理有效的影像预处理过程，主要包括辐射校正、几何配准、影像镶嵌、影像增强、影像裁剪等。其中，辐射校正与几何配准对变化检测精度影响最大 ［13］ 。
1. 辐射校正
辐射校正是对遥感影像成像过程中由于辐射差异造成的影像畸变进行校正或消除的过程。造成辐射差异的主要原因包括传感器系统的非正常工作、大气衰减引起的吸收及散射率变化等 ［14］ 。辐射校正又分为相对辐射校正和绝对辐射校正 ［15］ 。相对辐射校正是指通过计算多时相影像间的灰度线性变换关系，并以参考影像修改待配准影像的灰度统计特征，使多时相影像具有趋于一致的光谱特征。绝对辐射校正是针对单一时相影像，使校正后的灰度统计特征能够真实反映地物的光谱特征。目前，很多学者已经针对变化检测中的辐射校正取得了一定的研究成果，且已经证明：绝对辐射校正并不会显著提高变化检测精度，而相对辐射校正可以满足大多数变化检测应用的要求 ［16］ 。因此，辐射校正不作为本书的重点内容。
2. 几何配准
作为变化检测中重要的预处理过程，几何配准就是通过选择合适的相似性度量，对同一场景中2幅或多幅不同时相、不同视角的影像进行对应和匹配的过程。实质上，配准就是将2幅或多幅多时相影像变换到相同的坐标系下，然后使用一种像素间坐标转换的映射函数，来纠正待配准影像相较于参考影像的位移或几何形变等。通常情况下，多时相影像几何配准由4个要素组成，即特征空间、相似性度量、搜索空间以及搜索策略 ［17-20］ 。
（1）特征空间
特征空间用于描述待配准像素所具有的特性，以达到匹配像素间具有高度相似性而非匹配像素间具有较大差异性的目的。特征空间可以是由灰度值构成的一维特征空间；也可以是由光谱、纹理、结构特征等构成的多维特征空间，如灰度共生矩阵（GLCM，Gray-Level Co-occurrence Matrix）、分形属性（FP，Fractal Property）等；还可以是统计特征，如中心点、矩形不变量等。
（2）相似性度量
顾名思义，相似性度量就是基于构建的特征空间，评价某个待配准像素与参考影像像素间匹配程度的一种度量标准。所构建的特征空间与相似性度量应能够反映影像的本质结构，从而在一系列的处理中具有不变性。常见的相似性度量包括相关系数、各种距离（欧氏距离、马氏距离等）、相位相关、结构自相似性（SSIM，Structure Similarity）等。
（3）搜索空间
搜索空间是待配准特征与参考特征之间建立对应关系的候选变换集合，即某个待配准像素在参考影像中寻找匹配像素时所对应的搜索范围。
搜索空间的构建应当依据待配准影像相对于参考影像间的成像畸变类型与强度。例如，若影像间只存在线性变换关系，则采用二维搜索空间（水平、垂直方向）即可；若存在旋转，则需要考虑加入旋转因子；若存在缩放，则必须加上比例因子。
（4）搜索策略
搜索策略是依据特征空间及相似性度量来确定匹配点对的计算方式，一般还会指出搜索的范围及路径。常用的搜索方法有穷尽搜索、线性规划、启发式搜索等。
低精度的几何配准往往会造成变化检测结果中存在大量无意义的“伪变化”信息。几何配准的效果通常与2个因素有关 ［21］ ：待配准影像的空间分辨率和感兴趣目标的结构特征。尤其在高分辨率遥感影像配准中，Dai等 ［22］ 的研究成果表明，遥感影像的空间分辨率越高，配准误差对变化检测精度的影响越大。因此，高分辨率遥感影像的几何配准技术是本书的重点研究内容之一。
在进行特征提取时，应选择某种地物区别于其他地物的独有特征，这些特征包括目标的灰度特征、纹理特征、形状特征、语义信息等。在具体应用中，为提高检测精度，通常应选择多种特征组成的特征向量，并且使变化区域的特征向量在长度或方向上有足够大的差异，而未变化区域则具有一致的方向或长度的特征向量。
像素级的变化检测方法以像素作为特征提取的基本单位，而对象级变化检测方法主要是利用属于特定对象的独有特征来描述复杂的地理空间信息，如几何形状、纹理特征等，而不是专注于孤立的像素 ［23-24］ 。因此，对象级变化检测方法还包括影像分割这一关键步骤，也是本书的重点研究内容之一。
变化检测是通过选择合适的方法，利用提取的特征检测多时相影像间的变化信息。国内外的许多研究机构和学者已开始研究该课题，目前，国际上处于领先地位的主要有意大利特兰托大学（University of Trento）Lorenzo Bruzzone教授及Francesca Bovolo教授领导的遥感实验室团队等 ［25-26］ 。本书第1.3节将从3个不同角度对高分辨率遥感影像变化检测的国内外研究现状进行综述。在此基础上，本书第1.4节将着重讨论对象级变化检测的发展现状。
像素级变化检测中常用的精度指标可以通过计算灰度误差矩阵获得，主要包括总体精度（Overall Accuracy）、误检率（Miss Detection Rate）、漏检率（False Alarm Rate）、Kappa系数等 ［27］ 。其中，总体精度是指正确的样本在总体样本中所占的比例，Kappa系数则能够综合反映变化检测方法的精度。Biging等 ［28］ 的研究表明，基于像素的精度评估往往低于基于对象的精度评估，但计算复杂度更高。另外，对象级变化检测方法为评估对象的大小、形状以及边界范围等特征的不同变化等级提供了可能 ［29-30］ 。
目前，遥感影像的变化检测问题已经成为一个非常活跃的研究课题，如美国国家地理空间智能研究所，意大利特兰托大学，新加坡国立大学，中国的中国科学院遥感所、武汉大学、北京师范大学等机构都在开展相关方面的研究和应用开发，并取得了诸多成果。目前，人们已经就变化检测预处理对变化检测的重要性达成共识，如辐射归一化、影像配准等 ［31-32］ 。本节将从3个不同角度对现有的变化检测方法予以分析和归纳。
按照变化检测过程中是否需要人工干预，可以将变化检测划分为2类：监督变化检测和非监督变化检测 ［33］ 。
非监督变化检测一般先构造差分影像，进而再依据预先设定的阈值将差分影像划分为变化和未变化区域。传统的非监督变化检测方法主要有算术运算法、CVA法及其改进方法、主成分分析（PCA，Principle Component Analysis）法、影像回归法等 ［34-38］ 。该类方法的核心是阈值的选择，针对此，国内外一些学者提出许多有效的方法，主要有试错法、最大类间方差法、Stack滤波器法 ［39］ 、双窗口变步长法 ［40］ 、Bayes最小误差决策法 ［41］ 、基于“爬山法”的系统级搜索法 ［42］ 等。另有一些学者在差值影像的分割基础上，将变化检测问题转换为变化和未变化的2个类别问题，并借助模式识别方法实现最终的变化检测 ［43］ 。上述传统的变化检测方法大多是基于像素的方法，适用于中、低分辨率遥感影像，且这些方法都是暗含像素在空间上具有独立性的假设。针对高分辨率影像，由于其结构、纹理等信息更加突出，因此，将像素的上下文关系考虑到影像的变化检测中是合理的。这一类检测方法的关键点是如何选择合适的方法将空间特征知识融合起来，以提高变化检测的可靠性和有效性，代表性的方法主要有证据理论法、统计建模法 ［44-45］ 、信息测度法 ［46］ 、多尺度分析法 ［47-49］ 、聚类法 ［50］ 等。这些检测方法虽然对传统的变化检测方法进行了改进，但其所面临的辐射差异、配准误差以及差分影像的阈值选取问题依然存在。从另外一个角度看，传统的检测方法及其改进的方法，在本质上均属于基于像元光谱统计的处理方式，其效率及其获得的结果信息都是十分有限的，且处理结果往往会存在许多小斑块，难以对其分析和描述。因此，面向对象的高分辨率遥感变化检测方法正越来越多地受到关注 ［50-51］ ，这是因为面向对象的变化检测更有利于知识的结合利用，也更能有效地利用高分辨率影像所具有的多特征优势。总之，非监督变化检测方法及其改进方法的优点是比较直观、不需要先验信息，但是该类方法也存在诸多局限性，例如，变化阈值的确定比较困难、不能够提供变化的类型、解译和标记变化检测图比较困难等。此外，辐射校正和几何校正结果的精度对检测效果有着明显的影响。
为了克服非监督变化检测方法的不足，可以采用监督变化检测方法。该类方法需要检测区域的先验信息，主要分为分类后比较法、直接多时相分类法、差值影像分类法3类 ［52-56］ 。其中，该类方法的核心是分类方法的选择。由于高分辨率遥感影像噪声和类别的高度扩展使分类问题特别复杂，因此，需要采用顽健的、非线性的分类器。其中，具有代表性的是基于SVM分类的变化检测方法以及相关的改进方法 ［57-58］ 。该类方法的优点是可以直接获取变化的类型、数量和位置，且能回避所用多时相数据因获取季节不同和传感器不同所带来的归一化问题。但该类方法存在如下2个缺点：首先，无法检测出存在某一种地物内部的细微变化；其次，分类器的精度高低直接影响变化检测的精度。另外，如何收集和选择合适的训练样本，也是这类方法必须考虑的因素。
上述变化检测方法在特定的领域中都取得了一定的效果。然而，由于影像的正射校正、视差效果等会导致影像空间上的非连续性，而采用多源数据空间上的融合可以改善这种情况，但是会产生非线性时间效应。针对该问题，已有学者开展了相关的研究 ［59］ ，但是所采用的方法也是基于像素的研究方法，不利于知识的结合利用。另外，在面向对象的常规变化检测中，特征的抽取仅仅局限于空域，没有考虑联合空域和频域特征的抽取，从而更好地描述高分辨率影像的内在特征。
除了按照是否需要人工干预进行划分外，还可以根据采用数据源的不同将变化检测划分为4类，分别是基于高分辨率光学遥感影像的方法、基于SAR影像的方法、基于高程数据的方法、基于多源数据的方法。其中，基于高程数据的方法主要面向城市场景下建筑物的变化检测。为便于分析和比较不同数据源的优缺点，本节均围绕建筑物变化检测的国内外研究现状展开讨论。
1. 基于高分辨率光学遥感影像的方法
袁修孝等 ［45］ 利用Gabor滤波器抽取建筑物的纹理特征，然后利用散度作为变化类与未变化类的可分性依据有效提取了变化信息，并进一步对检测结果中由于投影差造成的“伪变化”进行了判别。Gueguen等 ［47］ 利用高帽（Top-Hat）变换并结合水平集的分割方法对海地地震后国内难民营的数量进行了检测。Bruzzone等 ［10］ 从建筑物形态学指数（MBI）、光谱信息、形状特征3个方面对建筑变化信息进行描述。在此基础上，利用变化建筑物与其对应区域的光谱变化的相关性作为另一个判别依据。最后，利用形状特征对检测结果进行后置滤波，以消除噪声、狭窄道路等形状不规则的对象造成的“伪变化”。Tang等 ［60］ 进一步利用MBI，提出了一种具有容错性的高分辨率遥感影像建筑物变化检测方法。该方法主要包括2个步骤：利用MBI和Harris角点检测用于标识建筑物的兴趣点；多时相建筑物兴趣点匹配以及容错变化检测。该方法对不同成像条件下造成的建筑物几何差异不敏感，但能够显著降低虚警率。李炜明等 ［51］ 提出了一种基于多种类型影像特征的匹配方法来提取无变化建筑的顶部区域，结合几何约束引入了变化盲区的概念以处理高层建筑在不同视角和光照下影像不同的现象。Benedek等 ［46］ 在概率统计框架下，整合建筑物的抽取和变化检测，并应用多生灭动态优化技术对多时相航空遥感影像进行建筑物的变化检测。该方法实现了基于多时相的标记点处理，同时利用时间层和目标层的建筑物描述的低层变化信息，区分变化和未变化的建筑物。他们采用的建筑物特征有局部梯度方面密度、房顶彩色滤波和阴影推理、房顶的同质性等。
尽管如此，基于高分辨率光学影像的变化检测方法仅利用了二维信息，对建筑物材料腐蚀、视角差异造成的形状改变和建筑物高度、阴影以及辐射吸收等造成的光谱差异产生了“伪变化”，顽健性较差。
2. 基于SAR影像的方法
SAR影像根据其成像原理，具有对大气环境变化、光照条件差异不敏感的优点，因而在变化检测过程中能够有效减少云层遮盖、建筑物阴影等干扰因素的影响。例如，Marin等 ［41］ 提出了一种基于超高分辨率SAR影像的地震前后建筑物损毁变化检测方法，该方法包括3个步骤：建筑物描述的最佳尺度选择；最佳尺度下基于高帽变换的变化信息提取；根据预期的建筑物后向散射属性提取新增加的以及已经完全损毁的建筑。该方法能够准确识别地震后损毁的建筑物，同时虚警率较低。浮瑶瑶等 ［61］ 为解决高分辨率SAR影像变化检测中的语义信息缺失问题，提出了一种基于词包模型的变化检测与分析方法。Gong等 ［62］ 针对SAR影像相干斑噪声对变化检测的影响，提出了一种基于模糊聚类和改进的MRF相结合的变化检测方法。
与此同时，超高分辨率SAR影像的高复杂度、固有相干斑噪声以及实际应用中大尺寸影像下方法的时效性问题，都是SAR影像建筑物变化检测必须面对的挑战。
3. 基于高程数据的方法
为了改善仅利用光学遥感影像的二维信息所存在的不足，一些学者提出了引入高程信息作为第三维度的变化检测方法。Jung等 ［63］ 提出了一种利用多时相航空遥感立体对（Stereo Pair）的两步建筑物检测方法，首先利用数字高程模型（DEM，Digital Elevation Model）消除场景中没有变化的区域，然后再利用立体对进行变化检测。Teo等 ［64］ 提出了基于多时相内插值替换后的激光雷达数据建筑物检测方法，同时通过对城市场景的几何学分析判断变化的类型，检测精度可达80%。三维地形数据可以通过立体影像匹配或直接从激光雷达数据中获得，能够提供建筑物的高度信息，这是判断建筑物是否变化的重要指标。针对遥感影像中可能存在与建筑物具有相似光谱特征的其他人造目标（如道路、桥梁等）所造成的干扰，Tian等 ［65］ 基于立体影像以及数字地表模型（DSM，Digital Surface Model）提出了一种建筑物变化检测方法。首先利用建筑物的高度信息以及相对熵的相似性度量对变化信息进行描述，提出了基于D-S证据理论的融合策略。在此基础上，通过分类进一步提取变化区域中的植被与阴影区域，并将其视为非建筑物变化类，从而实现检测结果的精炼。尽管引入高程数据有助于增加建筑物与非建筑物的类间可分性，但高程信息获取过程中存在的不可避免的测量误差会在后续变化检测过程中造成误差累积，从而对变化检测精度造成显著影响，降低了方法的可靠性。
4. 基于多源数据的方法
另外，还有一些学者提出了采用异源数据进行变化检测的思路。张永梅等 ［66］ 提出了一种基于全色影像与SAR影像的建筑物识别及变化检测方法。首先利用Ratio梯度与交叉累积剩余熵对多时相全色影像和SAR影像进行配准。在此基础上，综合建筑物的形状、分布、阴影等特征以及光学遥感影像和SAR影像的成像机理差异，提出了基于知识的建筑物识别规则。最后采用比值法获得最终变化检测结果。郝明等 ［67］ 利用震前GIS数据在震后遥感影像中确定建筑物位置，进而提出了一种利用改进主动轮廓方法和马尔可夫随机场模型探测震害建筑物的方法。该方法采用主动轮廓模型提取建筑物所在区域，对地震前后建筑物的形状特征进行相似性描述，进而采用双阈值法获取初步的震害建筑物探测结果。最后，通过引入距离权重的马尔可夫随机场建立建筑物之间的空间关系模型，对不确定区域进行二次判别，进一步提高了探测精度及方法稳定性。Hermosilla等 ［68］ 提出了一种基于高分辨率光学影像和LIDAR影像的建筑物检测方法，综合利用LIDAR影像提取的建筑物高程信息，并结合光学影像中的植被光谱信息确定双阈值以提取建筑物所在区域，最后通过形态学开闭运算平滑影像获得最终检测结果。Malpica等 ［69］ 提出的变化检测方法则利用SVM联合LIDAR影像和光学遥感影像进行建筑物提取，其中SVM的训练样本直接从现有地理空间的矢量数据库中获得。这种方法尤其适用于存在大量被高大树丛包围的低矮或小尺寸建筑物的变化检测应用场景。尽管多源数据能够提供更加丰富的信息，但同时也对影像配准问题及从不同类型数据源中选择合适的特征提出了更高的要求。另一方面，在很多应用场景中，同一地区的异源数据获取的代价通常比较高昂。
1. 直接比较法
直接比较法是指通过直接比较像素或各种特征（包括变换后的特征以及基于对象的特征）间的差异来提取变化区域的检测方法。直接比较法又可分为代数运算法和变换法。
（1）代数运算法
代数运算法主要包括影像差值法、影像比值法、变化矢量分析（CVA，Change Vector Analysis）法等。
①影像差值法。影像差值法基于配准结果，直接使双时相影像中像素的灰度值相减获得差值影像。通常，差值影像中的灰度值接近高斯分布，变化区域的灰度值接近高斯曲线的尾部，而未变化区域的灰度值分布于高斯曲线的峰值附近。如Weismiller等 ［70］ 采用影像差分法在美国得克萨斯州的海岸环境监测中取得了良好的效果 ［70］ 。
影像差值法直观且容易解译，但对季节变化、太阳高度角不同等造成的灰度差异非常敏感，这不仅增加了误检率，还对配准精度提出了较高的要求。
②影像比值法。影像比值法基于配准结果，直接使双时相影像中的灰度值相除。在理想情况下，变化区域的结果为非1，而未变化区域的结果为1，影像比值法适用于提取某些特殊地物的变化信息。
影像比值法较差值法能够消除一些太阳高度角、地形等引起的乘性误差，但比值结果通常不服从高斯分布，因而给进一步分析造成了困难。
③变化矢量分析法。变化矢量分析法是将多光谱影像各个波段作为一个个光谱分量，从而构成一个维数与波段数相同的矢量空间来描述多光谱影像。矢量空间的每个点都对应表示影像中的每一个像素，且点的坐标即该像素的灰度值。因此，每个像素都可被表示为具有一定强度与方向的变化矢量。
变化矢量分析法通过差值影像获得变化矢量，其中，变化矢量的内容由方向表示，变化矢量的方向由欧氏距离表示。CVA方法计算简单，能够充分利用多波段所包含的光谱信息来检测变化区域，尤其适用于多光谱影像的变化检测。在CVA方法的基础上，Bruzzone等 ［71］ 提出了一种改进的CVA-EM方法，该方法利用最大期望（EM，Expectation Maximum）方法求解混合密度函数，从而实现非监督下变化与未变化阈值的自动确定。
（2）变换法
变换法主要包括主成分分析（PCA）法以及穗帽变换（Kautlr-Thomas Transformation）法等。
①主成分分析法。主成分分析法是基于统计特征的多波段正交线性变换，通过计算多光谱影像各个波段间协方差矩阵来获得特征向量与特征值，从而获得变换矩阵，经过变换后的波段称为主成分 ［72］ 。在特征域中主成分之间正交但不相关，能量主要集中于前几个主成分中，随后的主成分信息量逐渐减少。因此，主成分分析法能够实现分离影像中的变化信息、减少数据冗余以及突出不同种类地物的目的。例如，邓劲松等 ［73］ 利用主成分分析法增强了影像中的光谱变化信息，利用高分辨率SPOT 5影像实现了高精度的城市土地利用变化检测。
主成分分析法能够消除各波段间的相关性，实现信息集中及数据压缩的目的，是目前常见的遥感数据分析方法之一。但与此同时，主成分变换过程会破坏原始影像中的物理光谱信息，因此，在进一步的处理中难以确定各主成分所代表的含义。
②穗帽变换法。为了克服主成分分析法在去除波段相关性的同时，不同类型传感器遥感影像提取的主成分之间存在难以比较的问题，Kauth等 ［74］ 在研究农作物和植被的生长过程时提出了一种特殊的主成分分析法，即穗帽变换法。经过穗帽变换会产生4个分量，分别是绿度指数（Greenness Index）、黄度指数（Yellowness Index）、土壤亮度指数（Soil Brightness Index）和噪声（Non-Such）。随着植被的生长，当植被密度逐渐增大时，土壤亮度指数将逐渐变小，而绿度指数正好相反。据此，基于不同时相影像的穗帽变换指数可以利用差值法、比值法等实现对植被覆盖的变化检测。
穗帽变换的转换系数是固定的，因此，其适用于多源遥感影像的变化检测。但穗帽变换仅对植被覆盖的变化信息敏感，而对其他类型的变化检测精度不高，这限制了其应用范围。
2. 先分析后比较法
先分析后比较法主要可分为分类后比较法以及对象级变化检测法2类。
（1）分类后比较法
分类后比较法是指首先对单一时相影像中的地物进行分类，并根据分类结果获得发生变化的区域及类型。例如，Volpi等 ［75］ 针对高分辨率遥感影像变化检测，提出了一种基于上下文信息及SVM的检测方法。该方法采用统计学与形态学方法提取局部区域的空间及纹理信息，利用SVM实现了单一时相影像中的准确分类，并通过差分影像确定发生变化的区域及类型。除分别对单一时相影像进行分类外，有学者提出将多时相影像合成为单一时相的多光谱影像，再进行分类及变化检测。例如，利用综合水体指数、归一化植被指数（NDVI，Normalized Difference Vegetation Index）等作为输入数据，采用监督或非监督分类 ［76-77］ 、决策树 ［78］ 、面向对象 ［79］ 、光谱匹配方法 ［80］ 进行分类，或采用主成分分析 ［81］ 、傅里叶变换 ［82］ 等处理后分类的检测方法，在大范围土地覆盖分类及变化检测中取得了良好的效果。
采用先分类后比较法能够克服因地面环境、季节、传感器类型等因素变化给变化检测造成的困难，因此，应用非常广泛。另一方面，尽管目前影像分类技术已较为成熟，但分类过程中每一处错误分类都会导致变化检测中漏检或误检的发生。因此，先分类后比较法通常会夸大实际变化。
（2）对象级变化检测法
近年来，高性能计算机系统的不断发展和各种高效影像分割、特征提取方法的不断涌现，极大地促进了基于格栅的遥感影像处理与基于矢量的地理信息系统（GIS，Geographic Information System）的无缝集成 ［83］ 。这些进展也同时促进了遥感影像变化检测方法从像素级的变化检测向对象级的变化检测转变。面向对象的分析技术采用影像格栅作为数据源，能以任意尺度生成包含丰富属性信息地理对象的影像。对象级变化检测方法结合了空间信息、光谱信息、地理信息以及先验知识等进行地理实体建模，并以对象作为影像分析的基本单元，实现了基于对象的特征提取与变化检测 ［84］ 。对象级变化检测的一个显著特点是通过分割（2个或更多）输入的遥感影像来提取有意义的地理对象，这与变化检测提出时的概念即利用变化检测来识别观察到的“对象或现象”的不同状态是一致的。因此，在传统变化检测工作流程的基础上，对象级变化检测的工作流程可进一步阐述为数据选择、影像预处理、对象提取、基于对象的变化检测与精度评价，如图1.2所示。
图1.2 对象级变化检测工作流程
近十几年来，对象级变化检测方法获得了学者们的高度关注与深入研究，并且已成功应用于高分辨率遥感影像变化检测中 ［85-86］ 。随着遥感影像空间分辨率的不断提高，接下来亟待解决的问题就变成了从一些数据、工具和方法中，寻找解决具体问题的最佳方案。