基于亚像元定位的变化检测应用优化方案

多年来研究人员提出和开发了多种遥感影像变化检测技术和模型，并应用于各种不同的科学问题中（张路，2004）。其中，分类后比较法是最常见的一类方法，它的基本出发点是先对不同时相的原始影像分别进行分类解译，然后比较各时相分类结果图来发现变化，同时确定变化类型。分类后比较法的核心是影像分类，所采用的分类手段都是基于硬分类的模式，即将影像中的单个像元处于“非此即彼”的状态中。尽管方法简单易行，但是由于“混合像元”的存在导致我们无法检测出地物覆盖类型内部的一些细微变化。鉴于此，许多研究者开始尝试深入到像元内部，结合混合像元分解技术去完成变化检测的过程。例如，Kressler和Steinnocher（1999）首次提出了结合混合像元分解技术进行低分辨率卫星影像的变化检测，并将变化检测的结果由定性比较转变为定量比较，该项试验主要用来大致地估计森林、草地及土壤面积的变化情况。此后，多名研究者通过类似的方式进行变化检测的研究工作。比如，Haertel等（2004）利用多时态的影像序列，获取地物组分丰度值在不同时期的变化列表，他们在获取变化的同时，还估算了未来不同种类地物类别变化的趋势。Foody（2007）和Wu等（2017）通过端元的光谱可变性特点，推算出端元在不同时期的混合分解中所起到的作用以及对变化检测结果的影响。Ling（2007）和Wu等（2015）采用混合像元分解以及亚像元交换的方式，在历史高分辨率遥感影像空间分布的基础上，对低分辨率遥感影像进行假设统计估计，得出未来亚像元的变化规律。除此之外，近年来国内研究者也采用该技术与实际应用紧密结合，取得了较好的效果，例如，农作物产量变化（Tole，2008）等。由此可见，混合像元分解能够缓解在变化检测过程中因像元归属而产生的错分、误分问题，这在一定程度上提高了结果的解译精度。但值得注意的是，该技术只是找出组成混合像元的各种“组分”比例，却无法突破到像元内部来刻画亚像元的空间属性，尤其是亚像元的边缘特征以及几何形状仍然无法获取，这无疑削弱了遥感数据的空间表达优势。

利用亚像元空间定位技术来代替传统硬分类和混合像元分解，不仅能够克服影像空间分辨率的限制，提高分类精度，而且有助于揭示地物目标的形状、尺寸等空间特征信息，为中、低分辨率的遥感影像上检测和识别亚像元级的目标提供有力的保证。但是利用亚像元定位技术来完成变化检测存在以下问题：不同时相的亚像元定位结果进行比较后生成的变化图，其精度大致相当于不同时相影像亚像元定位结果图之间精度值的乘积，也就是说，存在于每一时相单独进行亚像元分类结果中的误差会在比较过程中被进一步放大，从而极大地影响到变化检测的精度。导致这种现象出现的根本原因在于：对不同时相影像所进行的亚像元分类过程是相互独立的，没有考虑这些影像之间存在的相互依赖关系。如何充分考虑不同时相影像之间的依赖关系，补充信息融入传统亚像元定位模型中进行综合集成，是摆在面前的实际问题（Robinson等，2000；Wu等，2017）。(www.xing528.com)

鉴于以上背景，本节在顾及前期影像的亚像元分布的情况下，对变化的情况进行模拟，通过实验证明，本书的算法能够获得最佳的检测效果，有效提高亚像元变化检测的精度。