1.4 对象级变化检测

1.4.1 对象级变化检测的优势及特性

近30年来，像素级变化检测方法一直是遥感领域重要的研究课题。已有一些综述性的文献深入探索了像素级变化检测技术及其相关应用［87-88］。根据这些文献，像素级变化检测依然有很多关键问题有待解决，其中一些与数据质量有关，而另一些则与像素级变化检测方法的性质有关。而对象级变化检测方法为解决这些问题提供了新的途径，尤其适用于高分辨率遥感影像的变化检测，主要体现在以下3个方面。

（1）多尺度空间分析

在遥感影像中存在各种不同大小、不同形状的地理对象，没有一种单一的空间分辨率足以描绘它们的全部特征［89］。从像素级变化检测的角度来看，这也意味着很难以一个特定的空间分辨率精确地检测所有类型的地理对象变化［90］。针对这一问题，对象级变化检测可以用不同大小的对象表示场景中的不同景观特征，而组成对象的像素集合都由相同分辨率的像素组成。通过定义对象尺寸的最大值和最小值来提取属于不同地理对象的独有特征，从而提高变化检测精度［91-93］。一个典型的例子是Cleve等［94］提出的一种基于对象的双尺度对象级变化检测方法，即采用小尺度表示房子，而大尺度则用于描述植被斑块，与像素级的变化检测方法相比检测精度提高了18%。

（2）减少“伪变化”

高分辨率遥感影像较中、低分辨率遥感影像提供了更加丰富的影像细节信息。另一方面，空间分辨率的提高也造成了同一对象内部在不同时相影像间可能存在显著的光谱差异，也就是“同物异谱”现象，而“同谱异物”现象依然存在，这是导致“伪变化”信息的重要原因。对象级变化检测以具有地理意义的对象为分析的基本单元，能够利用影像中的对象模拟实际的地理实体目标［95］。对象级变化检测在每个地理对象范围内针对这些“伪变化”加以分析和判别，通过引入基于对象的特征以减少甚至彻底消除这些“伪变化”。例如，Zhou等［96］在动态监测城市土地覆盖变化时，特别比较了对象级与像素级变化方法的检测效果，对象级变化检测方法有效减少了地理对象中的“伪变化”，检测精度提高了9%。

（3）基于对象的特征提取与变化检测

尽管像素级检测方法能够提取影像的纹理特征，但通常计算的是某一固定尺寸方形窗口内的特征值。而方形窗口特征值的计算会偏向对角线方向，同时窗口所在的区域可能会跨越2个或多个地物的边界［97］。而对象级的变化检测方法能够基于对象的固有轮廓定义窗口的尺寸与形状，进而提取对象的独立特征，如几何形状、纹理特征、背景信息等，从而能够提取复杂的地理空间信息［98］。近年来，大量研究也证明了利用对象特征的有效性，包括城市土地利用变化检测领域［99］、灌木入侵监测领域［100］、红树林生态动力学领域［101］、森林退化监测领域［102］等。另外，基于对象的特征已经被商业遥感软件广泛采用，例如，德国Definiens Imaging公司的eCognition、美国ITT视觉解决方案（VIS，Visual Information Solution）的ENVI EX模块以及美国ERDAS公司的ERDAS IMAGINE Objective模块等。

1.4.2 对象级变化检测方法的分类及优缺点比较

近年来，针对高分辨率遥感影像变化检测，国内外学者已提出了许多对象级变化检测方法，主要可以分为4类，分别是“影像/对象”检测方法、“分类/对象”检测方法、“多时相/对象”检测方法、“像素/对象”混合检测方法［103］。下面分别对这4类方法进行阐述和分析，并对各类方法的优缺点进行了比较。

（1）“影像/对象”检测方法

“影像/对象”检测方法是指在多时相影像中提取统一的对象，并对每个对象在不同时相影像中对应的区域直接进行比较，获得变化检测结果。例如，Miller等［104］提出了一种针对双时相灰度影像间的变化检测方法。该方法首先采用联通性分析（Connectivity Analysis）提取参考影像中的对象，然后根据这些对象在另一时相影像中寻找一一对应的对象，最后采用一种基于位于对象边界的像素间匹配策略判断是否发生了变化。但这种方法没有考虑对象的纹理特征，因此仅适用于输入影像受到噪声干扰较少的应用场合。针对这一问题，Lefebvre等［105］进一步评估了几何特征（如大小、形状、位置等）和基于小波变换的纹理特征在对象级变化检测中的作用。其研究成果表明，对象的轮廓以及纹理特征在亚米级的超高分辨率遥感影像变化检测中能够显著提高检测精度。

“影像/对象”检测方法的主要优点是能够直接比较对象且容易实现，是目前最流行的对象级变化检测方法，但也存在着以下局限性［106-107］。

①由于对象的大小和形状是不同的，一个关键的步骤就是在多时相影像中寻找相应的对象。而配准误差及分割误差造成的误差积累，会严重影响变化检测精度。

②“影像/对象”检测方法的另一个局限性是选择合适的变化阈值。由于阈值通常被研究人员直接定义，可能会对检测结果造成偏差。同时，它也存在于基于像素的变化检测中，从而导致变化类或未变化类的阈值都必须定义。

（2）“分类/对象”检测方法

“影像/对象”检测方法不能表示变化对象的景观变化类型，即“由什么变成什么”，因此，需要加入分类信息。“分类/对象”检测方法是一类通过比较独立分类的多时相影像中的对象来检测景观变化类型的对象级变化检测方法。由于每个对象都属于一个特定的类，因此，对象的比较步骤中不需要再考虑对象光谱和纹理特征等。例如，Durieux等［108］利用基于模糊隶属度函数的分类方法对空间分辨率为2.5 m、覆盖范围为2 512 km2的SPOT 5影像进行了分类，通过对建筑物的提取监测了6年间城市的扩张情况。Walter等［109］则评估了使用不同输入特征（光谱特征、植被指数和纹理特征）对分类精度及变化检测精度造成的影响。为了检测军事目标的变化，Hazel等［110］利用不同时相影像间的置信度关联（Association Confidence）提取对象所对应的区域，包括对象质心之间的空间距离、重叠程度以及空间和光谱特征之间的距离等。Li等［111］采用形状相似性度量对湖泊的变化进行了监测。

“分类/对象”检测方法不但可以检测变化信息，而且能够直观地表示景观变化的种类。另外，地图或GIS的更新可以直接应用到采用“分类/对象”检测方法的应用场合中。存在的局限主要包括［112］以下2个方面。

①因为很难区分对象的差异是由真正的变化或仅仅是由几何形状不一致引起的，这导致了在涉及GIS的应用场合中，需要对大小、形状和位置等定义一系列的特定规则来比较对象。

②变化检测结果容易受到初步分类过程的影响，而分类精度往往涉及合适的影像分割技术的选择。因此，分割和分类的误差传播是影响“分类/对象”检测方法精度的重要因素。

（3）“多时相/对象”检测方法

受光照情况、视角以及气象等因素的影响，不同时间获得的遥感影像很少能够确保以相同的方式捕获地面场景［113］。因此，分割结果中不同时期的影像生成的同一对象，通常在几何形状上发生了改变。“多时相/对象”检测方法利用每个场景具有的多时相状态，而不是单独分割多时相影像。具体来说，其将时间上连续的影像结合起来分割，从而产生了空间上对应的变化对象。Desclée等［114］首次明确提出了一种“多时相/对象”检测方法，能够取得总体精度高于90%、Kappa系数高于0.8的检测精度。该方法利用每个时相影像中所有对象的光谱特征（包括均值和标准差）将一组多时相影像一起分割，最后通过基于卡方检验（Chi-Square Test）的统计分析来区分变化与未变化对象。与对多时相影像一起分割相比，Li等［115］针对高分辨率SAR影像提出了一种新颖的分割模式，首先对第一时相影像进行分割，然后将分割结果作为一个基础层，并导出其衍生层与第二时相影像一起分割。该方法的基本思想是已完成的分割应当指导后续的分割，以应对在多时相影像中可能存在的相同对象边界不一致的情况［115］。

尽管“多时相/对象”检测方法对多时相影像一起分割，有利于保持对象在不同时相影像中大小、形状和位置坐标上的一致性，但同时也存在以下局限［116］。

①在多时相影像中相同位置可能包含了多个不同的对象，但这一问题对分割结果及变化检测精度的影响目前仍不明确。

②结构复杂的对象中丰富的光谱信息对检测结果的影响也有待进一步研究。

（4）“像素/对象”混合检测方法

“像素/对象”混合检测方法的基本思想是利用成熟的像素级变化检测方法获得初步的变化检测结果，在此基础上，利用面向对象的分析技术获得更好的变化检测结果。例如，Bovolo［117］提出了一种针对高分辨率遥感影像的多尺度对象级变化检测方法。该方法对影像进行多时相、多空间分辨率下的对象建模，进而通过基于对象的空间上下文信息对每一个像素进行多尺度下的变化向量分析，从而提取变化区域，并取得了良好的效果。Civco等［118］在检测森林覆盖变化时，首先利用在像素级方法中采用的差分影像将多时相影像转换为一系列湿润带，在此基础上，利用湿度信息将对象进行分类从而提取变化对象。Niemeyer等［119］采用相似的方法获得了良好的效果，区别在于他们采用的是基于正交的差分影像，而不是传统的影像差分方法。

“像素/对象”混合检测方法由于结合了像素级和对象级检测方法各自的优势，能够有效减少噪声对变化检测的影响，且能够准确识别由于对象轮廓不一致造成的“伪变化”。但是，目前仍不清楚采用不同的像素级及对象级方法组合方案会如何影响最终的变化检测结果［120］。

1.4.3 对象级变化检测面临的挑战

伴随着遥感空间分辨率的不断提高，实现高精度的对象级变化检测需要高精度的多时相影像配准、分割及高效的变化检测方法［121］。因此，尽管对象级变化检测方法为高分辨率遥感影像变化检测提供了新的发展方向，但仍然存在很多挑战。

①几何配准误差依然是影响对象级变化检测精度的重要因素。高分辨率遥感影像通常足以完整描述个别感兴趣的地理对象，大量存在的“同物异谱”和“同谱异物”现象增加了误匹配的可能。另外，地表高层地物可能产生更加显著的“投影差”，从而改变对象内部或局部区域的灰度分布，也增加了准确的几何配准的难度。霍春雷等［122］对4组中、低分辨率TM影像的研究成果表明，只有当配准精度小于0.2像素时，变化检测方法才能检测到90%的真实地表变化。其中，配准精度是指地面控制点（GCP，Ground Control Point）的均方根误差（RMSE，Root Mean Square Error）。而与中、低分辨率相比，高分辨率遥感影像更加难以产生准确的配准结果，且配准误差对检测精度的影响也更加强烈。

②准确的影像分割是进一步变化检测的基础。为了提取地理对象，需要根据空间和光谱特征以及用户的经验来分割遥感影像。由于高分辨率遥感影像纹理特征更加丰富，尤其在城市场景中存在多样的生态环境与结构复杂的人造目标，这些因素都对地理对象的准确提取造成了困难，而目前大部分针对中、低分辨率遥感影像的传统分割方法已经很难直接应用于高分辨率遥感影像［123］。目前，针对高分辨率遥感影像的分割方法有以下几个发展趋势：多光谱遥感影像分割；不同尺度下的遥感影像分割；针对遥感影像的多特征分割；遥感影像分割的精度和速度要求等。

③由于高分辨率遥感影像对比度更强，这有效地改善了混合像元问题，但“同谱异物”“同物异谱”现象导致的“伪变化”也更加突出［124］。由于对象级变化检测方法以对象为基本的研究单元，因此，如何选择合适的对象特征（如几何形状、光谱特征、纹理特征和背景信息等）并定义有效的判别规则来识别对象的变化信息，是解决这一问题的关键［125-135］。