光譜-頻域?qū)傩阅Ｊ饺诤系母吖庾V遙感圖像變化檢測(cè)

1007-4619（2024）01-0105-16NationalRemoteSensingBulletin遙感學(xué)報(bào)光譜—頻域?qū)傩阅Ｊ饺诤系母吖庾V遙感圖像變化檢測(cè)摘要：高光譜作為“圖譜合一”的遙感技術(shù)，具有精細(xì)光譜和空間影像的地面覆蓋觀測(cè)與識(shí)別優(yōu)勢(shì)。然而，高光譜遙感數(shù)據(jù)的光譜信息表征以及空間信息的利用給雙時(shí)相高光譜遙感圖像變化檢測(cè)任務(wù)帶來(lái)了巨大的挑戰(zhàn)。為此，本文探討了一種光譜—頻域?qū)傩阅Ｊ饺诤系母吖庾V遙感圖像變化檢測(cè)方法SFDAPF（Spectral-FrequencyDomainAttributePatternFusion）。首先，設(shè)計(jì)一種基于梯度相關(guān)性的光譜絕對(duì)距離，使雙時(shí)相高光譜遙感圖像像元對(duì)的屬性模式從光譜信息表征方面得到了逐級(jí)量化；其次，基于傅里葉變換理論提出一種變化像元屬性模式顯著性增強(qiáng)策略，從全局空間信息利用方面改善了變化與非變化屬性像元對(duì)的可分性；再次，將全圖屬性模式顯著性水平與梯度相關(guān)性的光譜絕對(duì)距離進(jìn)行融合，得到變化檢測(cè)的綜合界定值；最后，依據(jù)虛警閾值確定雙時(shí)相高光譜遙感圖像變化檢測(cè)的二值化結(jié)果。將本文提出的SFDAPF方法在開源的雙時(shí)相高光譜遙感圖像河流和農(nóng)場(chǎng)數(shù)據(jù)集上進(jìn)行了變化檢測(cè)性能驗(yàn)證，結(jié)果表明SFDAPF方法能夠優(yōu)于傳統(tǒng)的和最新的變化檢測(cè)方法，變化檢測(cè)的總體精度在河流和農(nóng)場(chǎng)數(shù)據(jù)集上分別達(dá)到了0.96508和0.97287（最高精度為1.00000）。證實(shí)了本文SFDAPF遙感對(duì)地觀測(cè)技術(shù)的數(shù)據(jù)主要有合成孔徑雷達(dá)圖像、全色圖像、多光譜圖像以及高光譜圖像。高光譜遙感圖像能夠提供比其他遙感圖像更豐富的光譜信息。例如，與多光譜遙感圖像比較而言，多光譜圖像的光譜分辨率在10-1λ數(shù)量級(jí)范圍，僅包含可見光至近紅外光譜區(qū)間的幾個(gè)或十幾個(gè)波段，而高光譜圖像光譜范圍較廣，譜帶較窄（<10-2λ),波段數(shù)可達(dá)幾百甚至上千，能夠獲取幾乎連續(xù)的地物覆蓋光譜信息。因此，高光譜遙感圖像比多光譜遙感圖像更易于識(shí)別細(xì)微變化，反映不同物體材質(zhì)等（Luo等，2019）。然而，高光譜像為地面覆蓋觀測(cè)信息的精準(zhǔn)解譯既帶來(lái)諸多便利，又帶來(lái)了高維非線性數(shù)據(jù)處理方面的挑戰(zhàn)（蘇紅軍，2022）。為此，許多學(xué)者針對(duì)不同的任務(wù)需求，開展了分類、目標(biāo)識(shí)別、變化檢測(cè)等算法研究（Zhou等，2022；Shang等，2021；Su等，2022）。遙感圖像變化檢測(cè)作為遙感對(duì)地觀測(cè)技術(shù)的關(guān)鍵應(yīng)用之一，可以持續(xù)觀察和發(fā)現(xiàn)成像場(chǎng)景的變化信息，近年來(lái)被廣泛應(yīng)用于環(huán)境監(jiān)測(cè)2014）、自然災(zāi)害檢測(cè)與評(píng)估（Zhang等，2003）等領(lǐng)域。收稿日期：2022?11?20；預(yù)印本：2023?04?19基金項(xiàng)目：國(guó)家自然科學(xué)基金（編號(hào)：42222106，61976234，T2225019）第一作者簡(jiǎn)介：周承樂(lè)，研究方向?yàn)檫b感圖像理解與變化檢測(cè)。E-mail：chengle_zhou@通信作者簡(jiǎn)介：石茜，研究方向?yàn)檫b感圖像處理與農(nóng)業(yè)遙感應(yīng)用。E-mail：shixi5@106NationalRemoteSensingBulletin遙感學(xué)報(bào)2024,28（1）實(shí)質(zhì)上，雙時(shí)相遙感圖像變化檢測(cè)目的在于對(duì)前后時(shí)相影像的空間—光譜差異性進(jìn)行建模，從而區(qū)別2期影像中的變化區(qū)域與非變化區(qū)域。一般而言，變化檢測(cè)任務(wù)包含了數(shù)據(jù)預(yù)處理、差異性挖掘與表征以及性能度量與評(píng)估3個(gè)關(guān)鍵步驟（Zhao等，2022）。雙時(shí)相遙感圖像變化檢測(cè)方法可以概括為四類，即代數(shù)方法、轉(zhuǎn)換方法、分類方法以及深度學(xué)習(xí)方法（Liu等，2019）。代數(shù)方法主要包括圖像差異、圖像比例、圖像回歸、絕對(duì)距離、變化向量分析等（Du等，2012；Carvalho等，2011）。該類方法直接對(duì)雙時(shí)相遙感圖像執(zhí)行代數(shù)運(yùn)算，從而評(píng)判2期影像像元對(duì)的屬性模式（變化屬性與非變化屬性）。目前，大多數(shù)代數(shù)方法屬于逐像素分析方法，且服從像元變化由灰度差異反映的假設(shè)。變換方法（Ortiz-Rivera等，2006；Marchesi和Bruzzone，2009）主要是將遙感數(shù)據(jù)從原始特征空間投影至另一個(gè)特征空間，從而識(shí)別變化屬性的像元或區(qū)域。然而，這類方法往往僅利用遙感圖像的光譜信息，忽略了鄰域像元之間的相似性（Zhang等，2012）。分類方法包括遙感圖像后分類與直接分類2種方式法在于將不同時(shí)相的遙感圖像分別進(jìn)行分類，然后對(duì)分類結(jié)果進(jìn)行比較分析，以獲取變化屬性的像元；直接分類則是將不同時(shí)相遙感圖像先做差值運(yùn)算，然后借助分類器確定變化屬性的像元。最近，基于深度學(xué)習(xí)方法的雙時(shí)相高光譜遙感圖像變化檢測(cè)是比較熱門的研究方向，該類方法以數(shù)據(jù)驅(qū)動(dòng)的方式構(gòu)建非線性變換，以得到適對(duì)稱深度網(wǎng)絡(luò)與慢特征分析理論設(shè)計(jì)了一種雙時(shí)相高光譜遙感圖像變化檢測(cè)方法。實(shí)驗(yàn)結(jié)果證明該方法的檢測(cè)性能優(yōu)于當(dāng)時(shí)其他先進(jìn)的變化檢測(cè)算法，其中包括其他基于慢特征分析和深度學(xué)習(xí)的方法。Wang等（2019）提出了一種端到端二維卷積神經(jīng)網(wǎng)絡(luò)的雙時(shí)相高光譜遙感圖像變化檢測(cè)算法，其思路在于，首先利用原始光譜特征與解混后端元特征，共同構(gòu)建了像元對(duì)的二維差值矩陣，然后采用二維深度卷積神經(jīng)網(wǎng)絡(luò)獲取像元對(duì)的高階語(yǔ)義屬性。Ou等（2022）在慢特征分析的理論基礎(chǔ)上設(shè)計(jì)了原始光譜信息的快慢特征篩選策略，并將像元對(duì)的二維差值矩陣作為屬性模式的表征方式，從而提出了基于二維卷積神經(jīng)網(wǎng)絡(luò)的變化檢測(cè)方法。Wang等（2022）提出了一種端到端殘差自校準(zhǔn)網(wǎng)絡(luò)。該網(wǎng)絡(luò)通過(guò)自適應(yīng)地對(duì)像元的局部空間信息與光譜特征的依賴性進(jìn)行建模，以提高變化檢測(cè)的精度。此外，Hu等（2023）設(shè)計(jì)了二元變化引導(dǎo)的高光譜遙感圖像多類別變化檢測(cè)網(wǎng)絡(luò)，其思路在于利用穩(wěn)定的二元變化檢測(cè)方法促進(jìn)多類別變化信息檢測(cè)與分離。雖然上述深度學(xué)習(xí)方法能夠在變化檢測(cè)任務(wù)中取得優(yōu)越的檢測(cè)結(jié)果，但均屬于由數(shù)據(jù)驅(qū)動(dòng)的弱監(jiān)督變化檢測(cè)方法，其檢測(cè)性能受限于訓(xùn)練數(shù)據(jù)庫(kù)中訓(xùn)練樣本數(shù)量以及標(biāo)簽準(zhǔn)確性。實(shí)際應(yīng)用中的變化檢測(cè)任務(wù)不存在大量且準(zhǔn)確的標(biāo)記樣本，大多深度學(xué)習(xí)方法則采用某種機(jī)制（如變化向量分析（Carvalho等，2011）等）構(gòu)建出可供特征學(xué)習(xí)的弱標(biāo)記樣本，而弱標(biāo)記樣本中往往存在噪聲標(biāo)簽。近年來(lái)，頻域分析方法在自然圖像顯著性分析領(lǐng)域得到了廣泛的應(yīng)用（Li等，2013；Jaemsiri等，2019）。其基本思路在于對(duì)灰度化的自然圖像進(jìn)行傅里葉變換得到對(duì)應(yīng)的幅度譜和相位譜，并利用二維高斯核對(duì)幅度譜進(jìn)行低通濾波，然后對(duì)原始相位譜與濾波后的幅度譜進(jìn)行逆傅里葉變換，從而得到前景與背景對(duì)比度增強(qiáng)的顯著差異圖像。此外，圖像頻域分析方法逐漸發(fā)展至遙感影像變化檢測(cè)領(lǐng)域，例如，Gao等（2018）結(jié)合頻域分析方法與隨機(jī)多圖策略提出了合成孔徑雷達(dá)圖像變化檢測(cè)方法，該方法利用頻域分析手段的目的在于從前后時(shí)相SAR圖像的差值圖像中確定具有顯著差異特征的區(qū)域。然而，不同于單波段SAR圖像，高光譜遙感圖像具有光譜波段高維特性，因此如何綜合光譜維的全波段信息并提取前后時(shí)相圖像的頻域顯著差異是一個(gè)具有挑戰(zhàn)的任務(wù)。對(duì)于雙時(shí)相高光譜遙感圖像變化檢測(cè)算法而言（包括傳統(tǒng)方法與深度學(xué)習(xí)方法其核心問(wèn)題在于2期影像像元對(duì)光譜差異化的有效表征以及像元鄰域上下文信息的充分利用，從而使得檢測(cè)算法的總體精度（虛警與漏檢）達(dá)到最佳（Kwan，2019）。最近，Hou等（2021）結(jié)合代數(shù)運(yùn)算與空間形態(tài)學(xué)特征提出了一種高光譜遙感圖像變化檢測(cè)方法，該方法通過(guò)引導(dǎo)濾波將形態(tài)學(xué)空間信息與基于光譜信息的代數(shù)運(yùn)算結(jié)果進(jìn)行融合，雖然降低了變化檢測(cè)的漏檢率卻未有效抑制虛警現(xiàn)象。因此，從漏檢與虛警平衡的角度出發(fā)，充分挖掘周承樂(lè)等：光譜—頻域?qū)傩阅Ｊ饺诤系母吖庾V遙感圖像變化檢測(cè)107特征融合圖像TT梯度相關(guān)性光譜絕對(duì)距離ω=f(r,r);ω=f(r,r)=(1-g)D=s×dist融合鄰域獲取引導(dǎo)頻譜顯著性增強(qiáng)幅度譜幅度高斯濾波相位譜傅里葉正(逆)變換A(f)=R(F(G))L(f)=log(A(f))特征融合圖像TT梯度相關(guān)性光譜絕對(duì)距離ω=f(r,r);ω=f(r,r)=(1-g)D=s×dist融合鄰域獲取引導(dǎo)頻譜顯著性增強(qiáng)幅度譜幅度高斯濾波相位譜傅里葉正(逆)變換A(f)=R(F(G))L(f)=log(A(f))P(f)=S(F(G))g(f)=L(f)×K(x,y)G=F(exp(g(f)+P(f)))性模式的可分性；再次，本文將全圖變化屬性顯著水平與GCASD進(jìn)行有效融合，得到變化檢測(cè)的綜合界定值；最后，依據(jù)虛警閾值確定雙時(shí)相高光譜遙感圖像變化檢測(cè)的二值化結(jié)果。2研究方法頻域注入光譜域注入光譜屬性虛警閾值光譜域檢測(cè)頻域?qū)傩宰兓瘷z測(cè)結(jié)果濾波幅度譜相位譜頻域檢測(cè)本文提出的光譜—頻域?qū)傩阅Ｊ饺诤系母吖庾V遙感圖像變化檢測(cè)方法主要包含2個(gè)部分，即基于梯度相關(guān)性的光譜絕對(duì)距離與基于傅里葉變換理論的顯著性增強(qiáng)策略，其具體架構(gòu)流程如圖1所示。總的來(lái)說(shuō)，前者從光譜特征層面對(duì)像元對(duì)的變化屬性進(jìn)行逐級(jí)量化；后者從頻域高頻幅度特征增強(qiáng)了變化屬性像元的顯著性。頻域注入光譜域注入光譜屬性虛警閾值光譜域檢測(cè)頻域?qū)傩宰兓瘷z測(cè)結(jié)果濾波幅度譜相位譜頻域檢測(cè)原始高光譜圖像TT主成分分析TTT-T結(jié)構(gòu)與紋理差異圖1基于光譜—頻域?qū)傩阅Ｊ饺诤系母吖庾V遙感圖像變化檢測(cè)流程圖Fig.1Outlineofchangedetectioninhyperspectralremotesensingimageviaspectral-frequencydomainattributepatternfusion2.1圖像分組及融合在計(jì)算2時(shí)相高光譜遙感圖像像元對(duì)的梯度相關(guān)性絕對(duì)距離之前，本文分別對(duì)原始圖像IT與IT進(jìn)行波段分組與融合，目的在于消除噪聲波段以分別將IT與IT劃分為M個(gè)具有連續(xù)且相鄰波段的波段子集，第m個(gè)（m=1，2，…，M）波段子集Hm表示為式中，I=[I1，I2，?，IQ]表示為具有Q個(gè)波段的IT或IT圖像，?Q/M?為不大于Q/M的最大得一提的是，本文依據(jù)Zhou等（2021）在高光譜遙感圖像分類任務(wù)中的經(jīng)驗(yàn)，將波段分組的數(shù)量M設(shè)置為25。一旦獲得Hm波段子集，則IT或IT的融合圖像Rm可以被定義為(2)式中，Um為第m個(gè)波段子集中的波段數(shù)量，Ht表示為第m個(gè)波段子集中第tm個(gè)波段。2.2梯度相關(guān)性的光譜絕對(duì)距離光譜絕對(duì)距離Dad在變化檢測(cè)任務(wù)中是1種簡(jiǎn)單直觀的檢測(cè)器，其公式表達(dá)為式中，Q是高光譜遙感圖像IT或IT各自的波段數(shù)108NationalRemoteSensingBulletin遙感學(xué)報(bào)2024,28（1）量，B和B分別表示IT或IT第i個(gè)波段的圖像。光譜絕對(duì)距離檢測(cè)器的基本假設(shè)在于像元或區(qū)域的變化會(huì)引起地物輻亮度明顯變化，因此輻射校正和幾何校正對(duì)2期圖像的變化檢測(cè)結(jié)果有著顯著的影響。參考Hou等（2022）報(bào)道，利用2期影像待測(cè)像元在8連通鄰域像元上的光譜和空間相似性，設(shè)計(jì)了光譜角權(quán)重的局部絕對(duì)距離resb，其公式為式中，N表示IT或IT任一高光譜遙感圖像的像元數(shù)量，x與x分別為IT或IT圖像的待測(cè)像元，xk和xk是對(duì)應(yīng)于單波段圖像8連通鄰域中像元 影像中變化屬性的界定值是依據(jù)待測(cè)像元的8連通鄰域像元間的光譜絕對(duì)距離以及待測(cè)像元之間余弦相似性而確定。因此，介于變化與非變化區(qū)域的邊界與角點(diǎn)像元極大程度上會(huì)判為變化像元，從而引發(fā)圍繞變化像元或區(qū)域的虛警現(xiàn)象。為了克服上述問(wèn)題，本文設(shè)了1種梯度相關(guān)性的光譜絕對(duì)距離，如圖2所示。首先，本文對(duì)圖像融合后2期圖像RT與RT的邊緣以“對(duì)稱”方式進(jìn) 行填充，以確保邊緣與角點(diǎn)像元具有8連通區(qū)域。本文中，填充的行列數(shù)均為2。圖2梯度相關(guān)性光譜絕對(duì)距離其次，2期圖像RT與RT的8連通區(qū)域中心像元對(duì)的光譜絕對(duì)距離distb被定義為式中，rb表示RT圖像中第b個(gè)像元r的第i個(gè)波段的光譜反射值，r，b表示RT圖像中第b個(gè)像元r的第i個(gè)波段的光譜反射值。然后，本文引入光譜余弦距離函數(shù)f(yT，yT)，以量化各像元對(duì)之間的相似性，其表達(dá)式為(6)式中，yTT通用符號(hào)。因此，中心像元對(duì)的余弦相似性為ωb=f(r，r)。此處，若僅用光譜絕對(duì)距離與余弦相似性界定像元對(duì)的屬性模式，將導(dǎo)致屬性模式趨向于變化屬性，原因在于高光譜遙感數(shù)據(jù)獲取的過(guò)程中往往受云層遮擋、傳感器抖動(dòng)等自然與非自然因素的影響。為此，本文利用中心像元8連通區(qū)域像元之間的余弦相似值ωc-b，構(gòu)造了權(quán)重縮放因子gb，逐級(jí)量化像元對(duì)的光譜屬性模式，從而有效克服了虛警現(xiàn)象，公式為Grad(8)-b分別表示為r與r中心像元對(duì)應(yīng)梯度的表達(dá)式，gb表示由梯度相關(guān)性構(gòu)成的權(quán)重縮放因子。最后，本文通過(guò)8連通區(qū)域平均余弦權(quán)重、權(quán)重縮放因子以及中心像元對(duì)的光譜絕對(duì)距離，構(gòu)造經(jīng)gb縮放后的平均余弦權(quán)重sb，獲取全圖光譜屬性模式的綜合界定值D，計(jì)算公式為b=bbbb 式中，b為ωc-b的平均余弦權(quán)重。2.3傅里葉變換理論的頻域顯著性增強(qiáng)近年來(lái)，圖像顯著性檢測(cè)的研究熱度逐漸由自然圖像處理領(lǐng)域蔓延、發(fā)展至遙感圖像處理領(lǐng)域（Cong等，2019；Li等，2019）。顯著性檢測(cè)中存在1個(gè)基本假設(shè)（Koch和Poggio，1999即：視覺(jué)系統(tǒng)對(duì)頻繁出現(xiàn)的特征具有較低的響應(yīng)，而對(duì)偏離規(guī)范的特征保持敏感。受此啟發(fā)，本文從圖像顯著性檢測(cè)的思路出發(fā)，設(shè)計(jì)了基于傅里葉變換理論的高光譜遙感圖像變化屬性顯著性增強(qiáng)方案。由于高光譜遙感圖像的高維特征，本文首先采用主成分分析算法（Prasad和Bruce，2008）分別提取2期遙感圖像的第一主成分特征，同時(shí)利用圖像差值運(yùn)算獲取2時(shí)相第一主成分特征之間的其次，本文利用傅里葉變換將圖像G映射到周承樂(lè)等：光譜—頻域?qū)傩阅Ｊ饺诤系母吖庾V遙感圖像變化檢測(cè)109頻域，并從圖像頻譜特征中提取其幅度譜A(f)，公式表示如下：數(shù)特征的模值（幅度譜）。事實(shí)上，對(duì)變化檢測(cè)任務(wù)而言，變化屬性屬于高頻分量而非變化屬性屬于低頻分量，而傅里葉頻譜的平均振幅A(f)與頻2007因而非變化屬性對(duì)應(yīng)于高幅值。此處，本文對(duì)A(f)進(jìn)行了log變換（L(f)抑制非變化屬性的幅值上限，同時(shí)放大變化屬性的幅值的差異性，公式表達(dá)如下所示：A(f)然后，本文引入二維高斯濾波對(duì)圖像的log幅度譜進(jìn)行標(biāo)準(zhǔn)差誘導(dǎo)的窗口ωg×ωg滑動(dòng)濾波，以進(jìn)一步抑制非變化屬性的幅度，從而提升變化和非變化屬性像元的可分性。其中，二維高斯掩碼函數(shù)K(x，y)及其濾波輸出G(f)如下所示：式中，xc與yc為中心像元的二維坐標(biāo)位置，xc=+1，x與y表示8連通區(qū)域像元的二為向上取整數(shù)。此外，為得到頻域顯著水平G1，本文對(duì)頻域表示特征進(jìn)行相位譜特征提取P(f)，公式表示如下所示：式中，S(?)為對(duì)頻域復(fù)數(shù)特征取其虛部的函數(shù)。此后，利用G(f)和P(f)進(jìn)行逆傅里葉變換，獲得頻域顯著水平G1，其公式表達(dá)如下所示：式中，F(xiàn)-1(?)表示為逆傅里葉變換。當(dāng)梯度相關(guān)性的光譜絕對(duì)距離D與頻域顯著水平G1均獲得以后，本文對(duì)兩者進(jìn)行點(diǎn)乘運(yùn)算，以獲取全圖屬性模式的光譜—頻域綜合界定值Vc，公式如下所示：1式中，Norm(?)表示最大最小歸一化函數(shù)。2.4虛警閾值二值化分割為獲得雙時(shí)相高光譜遙感圖像變化檢測(cè)的二值化分類結(jié)果，本文將Vc的值從最小值到最大值等間距劃分5000個(gè)備選閾值，并在每個(gè)備選閾值下統(tǒng)計(jì)本文方法的查全率及虛警率，最后，在虛警率βt水平下，以閾值對(duì)全圖進(jìn)行二值化分割。值得一提的是，下文將以實(shí)驗(yàn)的方式對(duì)不同虛警率水平下的變化檢測(cè)效果進(jìn)行詳細(xì)分析。3實(shí)驗(yàn)結(jié)果與分析3.1實(shí)驗(yàn)數(shù)據(jù)集描述Observing-1（EO-1）Hyperion傳感器分別于2013年5月3日和2013年12月31日在中國(guó)江蘇省某個(gè)河流區(qū)域進(jìn)行收集，包含2個(gè)時(shí)相的高光譜遙感圖像，每個(gè)圖像共有242個(gè)光譜波段。單幅影像的光譜范圍為0.4—2.5μm，光譜分辨率為10nm，圖像大小為463×241像素，圖像中主要變化的覆蓋類型為河灘。值得一提的是，本文實(shí)驗(yàn)采用了高光譜遙感圖像中的198個(gè)高信噪比波段進(jìn)行了方法性能為河流數(shù)據(jù)集T1和T2時(shí)相的假彩色圖以及地面真值圖GT（GroundTruth）。此外，從該數(shù)據(jù)集地面真值圖與2期假彩色圖像對(duì)比中觀察，地面真值圖似乎存在“斑點(diǎn)噪聲”，原因在于用ENVI生成的2期假彩色圖像的斑點(diǎn)區(qū)域差異可視化不明顯，但對(duì)應(yīng)區(qū)域確實(shí)存在覆蓋變化，該數(shù)據(jù)集細(xì)節(jié)信息請(qǐng)參考（Wang等，2019）。（2）農(nóng)場(chǎng)數(shù)據(jù)集：該數(shù)據(jù)集同樣由EO-1Hyperion傳感器分別于2006年5月3日和2007年4月23日在中國(guó)江蘇省鹽城市某個(gè)濕地農(nóng)業(yè)區(qū)所采集。單幅影像的光譜范圍、光譜分辨率與河流數(shù)據(jù)集類似。該數(shù)據(jù)集圖像的大小為420×140像素，去除噪聲及水吸收波段后的154個(gè)光譜波段用于本文算法性能驗(yàn)證實(shí)驗(yàn)，該數(shù)據(jù)集細(xì)節(jié)信息請(qǐng)參考（Song等，2018）。圖4為農(nóng)場(chǎng)數(shù)據(jù)集T1和T2時(shí)相的假彩色圖以及地面真值圖。3.2性能評(píng)價(jià)指標(biāo)本研究在二分類的混淆矩陣基礎(chǔ)上引入了總體準(zhǔn)確率OA（OverallAccuracy）、平均準(zhǔn)確率AA110NationalRemoteSensingBulletin遙感學(xué)報(bào)2024,28（1）比IoU（IntersectionoverUnion）以及F1分?jǐn)?shù)（F1-score）等5個(gè)性能評(píng)估指標(biāo)，以客觀公正地評(píng)判各個(gè)雙時(shí)相高光譜遙感圖像變化檢測(cè)算法的性能優(yōu)劣性。此外，本文中變化像元的總體精度記為OAc以及非變化像元的總體精度記作OAu。（c）地面真值圖圖3河流高光譜遙感圖像數(shù)據(jù)集Fig.3Riverhyperspectralremotesensingimagesdataset（c）地面真值圖圖4農(nóng)場(chǎng)高光譜遙感圖像數(shù)據(jù)集Fig.4Farmlandhyperspectralremotesensingimagesdataset3.3參數(shù)設(shè)置及分析在本研究所提出的SFDAPF變化檢測(cè)方法中，高斯濾波標(biāo)準(zhǔn)差σ與虛警閾值βt的大小將會(huì)直接影響SFDAPF方法的檢測(cè)精度（包括OA、OAu及OAc）。因此，本研究分別在河流與農(nóng)場(chǎng)高光譜遙感圖像數(shù)據(jù)集上探討了σ與βt對(duì)SFDAPF方法檢測(cè)精度的定量化影響。圖5與圖6中的紅色箭頭表示標(biāo)準(zhǔn)差σ與虛警閾值βt分別設(shè)定為某一值時(shí)OA、OAu及OAc所對(duì)應(yīng)的指標(biāo)。藍(lán)色箭頭為本文所設(shè)定σ與βt參數(shù)下所對(duì)應(yīng)的OA、OAu及OAc指標(biāo)。在基于河流高光譜遙感數(shù)據(jù)集的參數(shù)分析實(shí)驗(yàn)中，σ與βt的大小變化區(qū)間分別設(shè)置為｛0.1，性能指標(biāo)隨不同σ與βt值的變化程度。由圖5（a）可見：當(dāng)σ取值固定時(shí)，SFDAPF方法的OA值大小隨著βt從1×10-3到1×10-1區(qū)間的變化呈現(xiàn)了先上升后下降的趨勢(shì)；而當(dāng)βt取值固定，OA指標(biāo)隨著σ值的增大而緩慢減小。由圖5（b）和圖5（c）可知：當(dāng)虛警水平較高時(shí)，SFDAPF方法將會(huì)增大對(duì)變化像元的敏感性，OAc指標(biāo)相對(duì)較高而OAu指標(biāo)相對(duì)較低所示當(dāng)虛警水平較低時(shí)，OAc指標(biāo)有所下降而OAu指標(biāo)有所上升（圖5中紅藍(lán)箭頭所示）。σ的大小決定了高斯函數(shù)的寬度，σ越大函數(shù)圖像跨幅越寬，反之則越窄。換言之，其值大小影響著平滑程度。而在SFDAPF方法中，濾波的目的在于抑制非變化像元的幅度特征從而增強(qiáng)變化和非變化像元的可分性，因此較大的σ并不是最佳的選擇。此外，若僅依據(jù)SFDAPF方法的OA指標(biāo)選取最佳的σ與βt，似乎并不能獲得最好的檢測(cè)效果（圖5中紅藍(lán)箭頭所示）。其原因在于，變化像元在圖像中屬于少數(shù)部分，非變化像元檢測(cè)精度較高時(shí)OA指標(biāo)同樣能夠取得最高值。因此，本文依據(jù)OA、OAu以及OAc三者的平衡，將σ與βt分別設(shè)置為0.1與2.5×10-2。同樣地，本文在農(nóng)場(chǎng)高光譜遙感數(shù)據(jù)集上分析了高斯濾波標(biāo)準(zhǔn)差σ與虛警閾值βt對(duì)本文SFDAPF方法的檢測(cè)精度影響。σ與βt的大小變化區(qū)間同樣分別設(shè)置為｛0.1，0.6，…，4.1｝和｛1×10-3，2.5×10-3，…，1×10-1｝。如圖6所示，SFDAPF方法的OA、OAu及OAc等3個(gè)指標(biāo)隨σ與βt取值變化的總體趨勢(shì)與河流數(shù)據(jù)集上大致類似。在農(nóng)場(chǎng)數(shù)據(jù)集上，本文同樣對(duì)最高OA取值與次高OA取值的σ與βt進(jìn)行了分析，結(jié)果見圖6?？梢姡寒?dāng)σ與βt分別設(shè)定為0.1和1×10-2時(shí)，SFDAPF方法周承樂(lè)等：光譜—頻域?qū)傩阅Ｊ饺诤系母吖庾V遙感圖像變化檢測(cè)111的OA、OAu與OAc取值分別達(dá)到97.35%、99.00%和96.77%，此時(shí)OA為最高（如圖6中紅藍(lán)箭頭所示）。而當(dāng)σ與βt分別設(shè)設(shè)定為0.1和2.5×10-2時(shí)，97.29%、97.50%和93.31%，此時(shí)OA為次高。根據(jù)最高與次高指標(biāo)的分析，OA與OAu指標(biāo)分別降低0.06%和2.50%，OAc指標(biāo)提升了3.46%，這表明僅依據(jù)SFDAPF方法的OA指標(biāo)設(shè)定σ與βt值，將使SFDAPF方法無(wú)法取得漏檢與虛警的合理平衡。因此，河流與農(nóng)場(chǎng)2個(gè)數(shù)據(jù)集的參數(shù)分析實(shí)驗(yàn)結(jié)果均證明了本文SFDAPF方法在變化檢測(cè)任務(wù)的有效性。此外，若將SFDAPF方法拓展至新的雙時(shí)相高光譜遙感圖像數(shù)據(jù)集，本文建議將SFDAPF方法的σ與βt參數(shù)分別設(shè)置為0.1與2.5×10-2。1.0×105.0×105.0×101.0×105.0×105.0×10βσβσ1.0×100.11.0×105.0×10βσ1.0×10βσ5.0×101.11.0×100.1（b）未變化像元（b）Unchangedpixels1.0×105.0×10βσβσ5.0×101.0×100.1（c）變化像元圖5河流高光譜遙感圖像數(shù)據(jù)集上高斯濾波標(biāo)準(zhǔn)差σ與虛警閾值βt對(duì)所提出的SFDAPF方法的變化檢測(cè)總體精度影響Fig.5InfluenceofGaussianfilterstandarddeviationσandfalsealarmthresholdβtonthechangedetectionaccuracyoftheproposedSFDAPFmethodontheriverhyperspectralremotesensingimagedatasetOAc=96.77%OAu=97.50%OA=97.29%OAc=96.77%OAu=97.50%OA=97.29%OAc=93.31%OAu=99.00%809498969492OA=97.35%OAc=93.31%OAu=99.00%8094989694926088604082402076200701.0×101.0×10901.0×100701.0×101.0×5.0×105.0××5.0×105.0×103.13.1βββ3.11.0×101.0×102.1βββ3.11.0×101.0×102.11.1σ2.11.1σ2.1σ5.0×105.0×105.0×105.0××101.0××101.0×100.1（c）變化像元（b）Unchangedpixels圖6農(nóng)場(chǎng)高光譜遙感圖像數(shù)據(jù)集上高斯濾波標(biāo)準(zhǔn)差σ與虛警閾值βt對(duì)所提出的SFDAPF方法的變化檢測(cè)總體精度影響Fig.6InfluenceofGaussianfilterstandarddeviationσandfalsealarmthresholdβtonthechangedetectionaccuracyoftheproposedSFDAPFmethodonthefarmlandhyperspectralremotesensingimagedataset3.4組件性能貢獻(xiàn)分析本文提出的SFDAPF方法由梯度相關(guān)性絕對(duì)光強(qiáng)（SE）3個(gè)核心組件構(gòu)成。因此，本小節(jié)在河流與農(nóng)場(chǎng)數(shù)據(jù)集上定性與定量地分析了每個(gè)核心組件對(duì)SFDAPF方法的性能貢獻(xiàn)。首先，本文在河流高光譜遙感圖像上，從定性層面的圖像可視化角SE組件融合（記作GCASD&SE）的可視化像元屬性模式的強(qiáng)度信息以及SFDAPF方法的變化檢測(cè)結(jié)度信息，可見檢測(cè)結(jié)果對(duì)像元對(duì)的變化屬性極為敏感，從而導(dǎo)致大多數(shù)像元均趨向于變化像元。圖7（c）為SE組件的像元屬性強(qiáng)度信息，可見該強(qiáng)度信息對(duì)標(biāo)地面真實(shí)值（圖7（a和圖7（b具有更為理想的虛警現(xiàn)象。但是，SE組件的強(qiáng)度信112NationalRemoteSensingBulletin遙感學(xué)報(bào)2024,28（1）息在孤立點(diǎn)與小面積變化區(qū)域表現(xiàn)出低顯著程度現(xiàn)象。因此，將GCASD組件與SE組件的強(qiáng)度信息進(jìn)行融合，能夠在非變化像元抑制與變化像元增強(qiáng)方面得到有效互補(bǔ)，其融合結(jié)果如圖7（d）所示，像元屬性模式相比于圖7（b）和圖7（c）更接近于地面真實(shí)值，對(duì)應(yīng)的SFDAPF變化檢測(cè)結(jié)果如圖7（e）所示。圖7GCASD與SE組件以及SFDAPF方法對(duì)河流高光譜遙感圖像的變化區(qū)域的可視化結(jié)果（GT為地面真值圖）Fig.7VisualizationofGCASDandSEcomponentsandSFDAPFmethodforchangingregionsofriverhyperspectralremotesensingimages其次，本文在河流與農(nóng)場(chǎng)高光譜遙感數(shù)據(jù)集上分別對(duì)GCASD、IF及SE組件的性能貢獻(xiàn)進(jìn)行了定量分析。實(shí)驗(yàn)結(jié)果如表1所示，值得注意的是，化檢測(cè)指標(biāo)均在虛警率2.5×10-2水平下計(jì)算得到。由表可知，GCASD在河流數(shù)據(jù)集上的F1、IoU、OA指標(biāo)及時(shí)間消耗分別為0.98024、0.0.96410和34.2。同時(shí)，由表觀察，盡管IF組件的引入對(duì)GCASD3個(gè)指標(biāo)具有微幅退化效應(yīng)，但是時(shí)間消耗方面能夠降低42.9s的運(yùn)行時(shí)間，這極大地提高了GCASD計(jì)算效率。類似地，對(duì)于GCASD及IF組件在農(nóng)場(chǎng)數(shù)據(jù)集上的檢測(cè)精度與時(shí)間消耗同樣得出與河流數(shù)據(jù)上相同的結(jié)論。這說(shuō)明IF組件在算法執(zhí)行效率方面具有較大的貢獻(xiàn)。此外，由表1結(jié)果可知，SE組件的F1、IoU及OA指標(biāo)在河流數(shù)據(jù)集上均略低于GCASD組件，而在農(nóng)場(chǎng)數(shù)據(jù)集上均略高于GCASD組件，但GCASD與SE的綜合檢測(cè)結(jié)果（即SFDAPF）均優(yōu)于GCASD與SE組件的任一結(jié)果。這充分表明梯度相關(guān)性光譜絕對(duì)距離與顯著性增強(qiáng)結(jié)果的融合在變化檢測(cè)任務(wù)上具有信息互補(bǔ)性，能夠有效提高本文方法的變化檢測(cè)精度。值得注意的是，SE組件的執(zhí)行時(shí)間無(wú)論是在河流數(shù)據(jù)集還是在農(nóng)場(chǎng)數(shù)據(jù)集都具有較低的時(shí)間消耗，均在3s左右。因此，從檢測(cè)精度與時(shí)間消耗角度綜合來(lái)看，SE組件是非常具有貢獻(xiàn)的方法組件。表1所提方法在不同高光譜遙感數(shù)據(jù)集上的各組成部分性能貢獻(xiàn)Table1Performancecontributionofeachcomponentoftheproposedmethodondifferenthyperspectralremotesensingdatasets指標(biāo)河流高光譜遙感數(shù)據(jù)集農(nóng)場(chǎng)高光譜遙感數(shù)據(jù)集GCASDIGFSEF10.980430.980240.979710.972810.970720.978650.961620.961240.960230.947050.943100.958200.964470.964100.963120.961300.958240.97011時(shí)間/s834.735.42.94注：粗體表示為每個(gè)評(píng)估指標(biāo)中的最高精度。OA為總體精度；F1為F1分?jǐn)?shù)；IoU為交并比指標(biāo)。GCASD為基于梯度相關(guān)性的光譜絕對(duì)距離；IF為圖像融合；SE為顯著性增強(qiáng)；SFDAPF為本文方法。周承樂(lè)等：光譜—頻域?qū)傩阅Ｊ饺诤系母吖庾V遙感圖像變化檢測(cè)113此外，圖8給出了農(nóng)場(chǎng)高光譜遙感圖像地面真值圖與GCASD、IF、SE及SFDAPF的變化檢測(cè)結(jié)果圖。值得注意的是，為了清晰觀察與對(duì)比，本文對(duì)地面真值圖及檢測(cè)效果圖的3個(gè)區(qū)域分別進(jìn)96.82%、96.13%、97.01%和97.29%下所獲得。由圖可知，盡管GCASD方法采用了局部上下文信息去定義像元屬性模式的界定值，但在檢測(cè)結(jié)果中仍存在較多的虛警現(xiàn)象。IF方法的檢測(cè)結(jié)果圖與GCASD方法檢測(cè)結(jié)果圖相差不大，但其在執(zhí)行效率方面的貢獻(xiàn)非常顯著，這在上述部分已經(jīng)進(jìn)行了實(shí)驗(yàn)分析。SE方法的變化檢測(cè)效果圖相比于GCASD和IF方法，則虛警現(xiàn)象得到了明顯的改善。這充分表明，對(duì)頻域幅度特征進(jìn)行高斯濾波能夠有效抑制非變化像元，提升了變化像元的顯著性，從而改善了虛警現(xiàn)象。此外，圖8（e）給出了由GCASD與SE組件像元屬性模式界定值融合SFDAPF方法檢測(cè)結(jié)果比GCASD與SE組件中任一組件的檢測(cè)結(jié)果都具有較少的虛警現(xiàn)象（紅、黃及藍(lán)區(qū)域）。該結(jié)果表明，本文對(duì)梯度相關(guān)性光譜絕對(duì)距離以及頻域顯著性水平進(jìn)行融合，對(duì)高光譜遙感圖像變化檢測(cè)的虛警和漏檢現(xiàn)象的改善是極其有效的，能夠有助于變化檢測(cè)任務(wù)的圖像解譯。圖8農(nóng)場(chǎng)高光譜遙感數(shù)據(jù)集上各組件以及SFDAPF方法的變化檢測(cè)效果Fig.8ChangedetectioneffectofeachcomponentandSFDAPFmethodonfarmhyperspectralremotesensingdataset3.5不同變化檢測(cè)方法的性能比較為進(jìn)一步驗(yàn)證提出的SFDAPF方法在雙時(shí)相高光譜遙感圖像變化檢測(cè)任務(wù)中的有效性，本文使用SFDAPF方法和其他變化檢測(cè)方法進(jìn)行比較分析。對(duì)比方法包括經(jīng)典的CVA（Carvalho（Nielsen，2007）方法以及先進(jìn)的PTCD（Hou等，2022）方法。其中，CVA是利用2期圖像各波段的差值和作為像元屬性模式的界定值；PCA-CVA是在CVA之前采用了主成分分析算法進(jìn)行特征提?。籌RMAD是在多變量檢測(cè)方法基礎(chǔ)上引入迭代重加權(quán)的變化檢測(cè)方法；PTCD為基于局部塊張量分解和重建策略的檢測(cè)方法；SALA為基于光譜角加權(quán)局部絕對(duì)距離的檢測(cè)方法；MMPs在SALA的基礎(chǔ)上引入形態(tài)學(xué)濾波的變化檢測(cè)方法。上述對(duì)比方法中所涉及的實(shí)驗(yàn)參數(shù)分別使用對(duì)應(yīng)文獻(xiàn)中默認(rèn)的參數(shù)。此外，本文使用河流與農(nóng)場(chǎng)2個(gè)雙時(shí)相高光譜遙感數(shù)據(jù)集來(lái)進(jìn)行性能驗(yàn)證實(shí)驗(yàn)，采用3.2部分中的OA、AA、Kappa、IoU以及F1等5個(gè)性能對(duì)各方法的性能優(yōu)越性進(jìn)行評(píng)測(cè)。114NationalRemoteSensingBulletin遙感學(xué)報(bào)2024,28（1）PTCD、SALA、MMPs及本文SFDAPF方法在河流數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果。就經(jīng)典的變化檢測(cè)方法CVA、PCA-CVA及IRMAD分析而言的檢測(cè)結(jié)果對(duì)像元的變化屬性模式更為敏感，IRMAD的檢測(cè)結(jié)果對(duì)像元的變化屬性模式為警惕，而PCA-CVA方法相比兩者取得了較好的檢測(cè)結(jié)果。實(shí)際上，CVA僅采用像元對(duì)之間的光譜特征差值和評(píng)判像元的屬性模式，而IRMAD和PCA-CVA則是在計(jì)算屬性模式界定值之前分別執(zhí)行了仿射變換與主成分特征提取操作，因此像元屬性模式的判定結(jié)果優(yōu)于CVA方法。此外，這3個(gè)SFDAPF的OAc指標(biāo)低于CVA與PCA-CVA方法，其原因在于SE組件通過(guò)頻域二維高斯濾波獲取高置信的變化像元強(qiáng)度信息的同時(shí)也一定程度上抑制了紋理信息與周圍像元差異較微弱的變化像元的強(qiáng)度信息，使得變化與非變化像元強(qiáng)度信息的對(duì)比度較大，導(dǎo)致SFDAPF方法收縮了變化像元屬性模式的強(qiáng)度信息范圍，從而呈現(xiàn)出OAc指標(biāo)偏低。但SFDAPF方法的OAu指標(biāo)是3個(gè)方法中的最標(biāo)同樣遠(yuǎn)高于上述3個(gè)經(jīng)典方法。結(jié)果表明：與經(jīng)典方法比較，本文SFDAPF方法在梯度相關(guān)性光譜絕對(duì)距離計(jì)算階段引入像元局部上下文信息以及采用全局顯著性增強(qiáng)策略對(duì)降低虛警是有效的。表2各方法在河流高光譜遙感數(shù)據(jù)上采用不同評(píng)估指標(biāo)的檢測(cè)結(jié)果Table2Detectionresultsofdifferentmethodsusingdifferentevaluationindicatorsonriverhyperspectralremotesensingdataset方法KappaF1時(shí)間/s0.925250.876600.540100.933010.874420.885059.57×10-2PCA-CVA0.951840.950300.747780.972970.947360.951709.87×10-10.844400.971030.717780.681960.972050.945620.949024.81×10-10.753300.910180.596410.407130.934190.876510.882911.29×1030.928810.911650.945970.614560.951220.906980.914635.570.931190.922390.939990.642750.956790.917150.923921.36×102SFDAPF0.917710.860383.47×101注：粗體表示為每個(gè)評(píng)估指標(biāo)中的最高精度。AA為平均精度；OAu和OAc分別為未變化像元和變化像元總體精度；Kappa為用于一致性檢驗(yàn)評(píng)估指標(biāo)。周承樂(lè)等：光譜—頻域?qū)傩阅Ｊ饺诤系母吖庾V遙感圖像變化檢測(cè)115圖9各方法在河流高光譜遙感數(shù)據(jù)集上的變化檢測(cè)效果Fig.9Changedetectioneffectofeachmethodonriverhyperspectralremotesensingdataset與先進(jìn)的變化檢測(cè)方法比較而言，即PTCD、OA等5個(gè)指標(biāo)方面的精度遠(yuǎn)高于PTCD方法同時(shí)也略高于SALA方法，為3個(gè)先進(jìn)方法中精度指標(biāo)最高的一個(gè)競(jìng)爭(zhēng)方法。相比之下，盡管本文SFDAPF0.98076、0.96225和0.96508，均優(yōu)于MMPs對(duì)應(yīng)的指標(biāo)精度。此外，就算法執(zhí)行時(shí)間方面來(lái)評(píng)估，本文SFDAPF方法相比于傳統(tǒng)方法需要較多的時(shí)間消耗，但是比PTCD與MMPs檢測(cè)方法明顯具有時(shí)間消耗方面的優(yōu)勢(shì)。這進(jìn)一步說(shuō)明本文SFDAPF方法在檢測(cè)精度與時(shí)間消耗方面的有效性與可行性。圖9給出了各方法在最高OA指標(biāo)下的二值化SALA、MMPs等5個(gè)對(duì)比均出現(xiàn)不同區(qū)域不同程度的虛警現(xiàn)象，而IRMAD方法則存在嚴(yán)重的漏檢現(xiàn)象。相比之下，依據(jù)檢測(cè)效果及OA指標(biāo)的分析與比較，本文SFDAPF方法在虛警與漏檢中達(dá)到了較好的平衡，其二值化檢測(cè)結(jié)果更接近于圖9（a）的地面真值圖以及OA指標(biāo)為最高精度。因此，從可視化的二值化結(jié)果來(lái)看，進(jìn)一步驗(yàn)證了本文SFDAPF方法比傳統(tǒng)的與最新的檢測(cè)方法更具性能優(yōu)越性。表3和圖10給出了上述6個(gè)對(duì)比方法及本文SFDAPF方法在農(nóng)場(chǎng)高光譜遙感圖像數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果與二值化檢測(cè)效果。不同于河流數(shù)據(jù)集，農(nóng)場(chǎng)數(shù)據(jù)集成塊變化的區(qū)域占絕大多數(shù)，孤立點(diǎn)SFDAPF方法的AA、Kappa、F1、IoU、OA指標(biāo)達(dá)到了最高的精度，比次高精度分別高出了0.01985、0.05653、0.01474、0.02798、0.02187。此外，SFDAPF方法的OAu（0.97500）與OAc（0.9676指標(biāo)并未取得最高精度，但僅比最高精度分別低了0.00673和0.01237，可以稱之為略低于最高精CVA、PCA-CVA與IRMAD方法沒(méi)有明顯的運(yùn)行效率優(yōu)勢(shì)，但是從性能與時(shí)間評(píng)估指標(biāo)綜合來(lái)看，傳統(tǒng)方法的實(shí)用性并不如本文SFDAPF方法。與PTCD、SALA及MMPs等最新的檢測(cè)方法對(duì)比而SFDAPF方法比PTCD與MMPs方法分別快了157.6與116.6s了。因此，表3實(shí)驗(yàn)結(jié)果表明：從檢測(cè)精度與時(shí)間消耗方面進(jìn)行綜合評(píng)述，本文SFDAPF方法通過(guò)融合梯度相關(guān)性光譜絕對(duì)距離與全局顯著性增強(qiáng)結(jié)果，平衡了高光譜遙感圖像變化檢測(cè)任務(wù)中的虛警和漏檢現(xiàn)象，極大地提高變化檢測(cè)的總體識(shí)別與檢測(cè)精度。SFDAPF方法分別最高OA指標(biāo)下的二值化檢測(cè)結(jié)法均存在不同程度虛警現(xiàn)象，而PCA-CIRMAD存在不同程度漏檢現(xiàn)象。相比之下，本文SFDAPF方法取得較高的OA精度及變化檢測(cè)效果，同樣在虛警與漏檢方面達(dá)到了平衡。尤其是，通116NationalRemoteSensingBulletin遙感學(xué)報(bào)2024,28（1）過(guò)河流和農(nóng)場(chǎng)2個(gè)數(shù)據(jù)集是驗(yàn)證實(shí)驗(yàn)，本文SFDAPF方法在高光譜遙感圖像變化檢測(cè)任務(wù)上的SFDAPF方法是唯一一個(gè)在2個(gè)數(shù)據(jù)集同時(shí)取得虛魯棒性和泛化性。警與漏檢平衡的檢測(cè)方法，這充分說(shuō)明了本文表3各方法在農(nóng)場(chǎng)高光譜遙感數(shù)據(jù)集上采用不同評(píng)估指標(biāo)的檢測(cè)結(jié)果Table3Detectionresultsofdifferentmethodsusingdifferentevaluationindicatorsonfarmlandhyperspectralremotesensingdataset方法KappaF1時(shí)間/s0.931380.894280.968480.808470.937820.882910.915816.98×10-2PCA-CVA0.928770.875800.878170.966040.934310.951003.24×10-10.650430.950850.350000.356730.857980.751290.776540.909320.970040.848610.837990.954810.913520.934811.77×1020.946370.922120.970620.852130.953530.911180.936196.330.951480.922930.860070.955860.915450.939491.36×102SFDAPF0.975000.967661.94×101注：粗體表示為每個(gè)評(píng)估指標(biāo)中的最高精度。AA為平均精度；OAu和OAc分別為未變化像元和變化像元總體精度；Kappa為用于一致性檢驗(yàn)評(píng)估指標(biāo)。圖10各方法在農(nóng)場(chǎng)高光譜遙感數(shù)據(jù)集上的變化檢測(cè)效果Fig.10Changedetectioneffectofeachmethodonfarmlandhyperspectralremotesensingdataset周承樂(lè)等：光譜—頻域?qū)傩阅Ｊ饺诤系母吖庾V遙感圖像變化檢測(cè)1173.6像元屬性模式的可分性分析圖11為河流與農(nóng)場(chǎng)高光譜遙感數(shù)據(jù)集上6個(gè)變化檢測(cè)方法與本文提出的GCASD與SFDAPF方法的變化像元和非變化像元檢測(cè)統(tǒng)計(jì)范圍對(duì)比結(jié)果。藍(lán)色與紅色分別為變化與非變化像元的檢測(cè)統(tǒng)計(jì)范圍，其中，藍(lán)色矩形與紅色矩形相距越遠(yuǎn)表示變化像元與非變化像元的可分離性越大。如圖11（a）所示，河流數(shù)據(jù)集上，傳統(tǒng)方法整體表現(xiàn)為不同屬性模式之間可分性較低（即CVA與以外，SALA與MMPs方法均表現(xiàn)出良好的可分性。相比之下，本文GCASD方法在非變化像元抑制方面略有優(yōu)勢(shì)，尤其是，對(duì)GCASD方法進(jìn)行顯著性水平增強(qiáng)后的SFDAPF方法，在屬性模式可分性以及非變化屬性模式抑制方面有著顯著改善。此結(jié)果表明：本文將梯度向光性光譜絕對(duì)距離與頻域顯著性水平進(jìn)行融合，有助于變化檢測(cè)任務(wù)的精度提升。圖11（b）呈現(xiàn)了各方法在農(nóng)場(chǎng)數(shù)據(jù)集上各方法檢測(cè)統(tǒng)計(jì)結(jié)果，由圖11可知，本文SFDAPF方法能夠在梯度相關(guān)光譜絕對(duì)距離的基礎(chǔ)上更好的抑制非變化像元的屬性模式，同時(shí)比傳統(tǒng)的和最新的檢測(cè)方法更具變化與非變化屬性模式之間的可分性。因此，河流與農(nóng)場(chǎng)數(shù)據(jù)集上的檢測(cè)統(tǒng)計(jì)結(jié)果進(jìn)一步說(shuō)明了本文SFDAPF方法在雙時(shí)相高光譜遙感圖像變化檢測(cè)任務(wù)上的有效性和泛化性。0.90.80.70.60.50.40.30.20.100.90.80.70.60.50.40.30.20.10CVAPCVAIRMADPTCDSALAMMPsGCASDSFDAPFCVAPCVAIRMADPTCDSALAMMPsGCASDSFDAPF方法CVAPCVAIRMADPTCDSALAMMPsGCASDSFDAPFCVAPCVAIRMADPTCDSALAMMPsGCASDSFDAPF方法變化未變化圖11各變化檢測(cè)方法在河流與農(nóng)場(chǎng)高光譜遙感數(shù)據(jù)集上變化與非變化像元的歸一化檢測(cè)統(tǒng)計(jì)范圍Fig.11Normalizeddetectionstatisticrangeofchangingandnon-changingpixelsbyeachmethodinhyperspectralremotesensingdatasetsofriverandfarmland本文提出的光譜—頻域?qū)傩阅Ｊ饺诤系母吖庾V遙感圖像變化檢測(cè)GCASD方法充分考慮了光譜信息表征及鄰域空間信息利用。光譜信息表征方面，在光譜角權(quán)重絕對(duì)距離的基礎(chǔ)上進(jìn)行改進(jìn)并設(shè)計(jì)了GCASD方法，其新穎之處有兩個(gè)方面1）在計(jì)算梯度相關(guān)性光譜絕對(duì)距離之前使用圖像分組與融合方法，在幾乎不影響檢測(cè)精度的情況下極大地降低了檢測(cè)過(guò)程的計(jì)算量2）將8連通鄰域像元與中心像元余弦相關(guān)性的平均梯度作為權(quán)重縮放因子，使像元屬性模式從光譜信息表征方面得到了逐級(jí)量化?？臻g信息利用方面，借助于傅里葉變換理論，從頻域特征表示中的高頻信息與幅度特征關(guān)系中設(shè)計(jì)了SE方法，該方法能夠有效抑制非變化像元的屬性模式，從而使得GCASD與SE融合后的SFDAPF方法能夠顯著改善變化與非變化像元屬性模式之間的可分性，有效地提升了變化檢測(cè)的精度。然而，本文SFDAPF方法在梯度相關(guān)性光譜絕對(duì)距離計(jì)算階段僅考慮了像元的單窗口8連通鄰域，并未對(duì)像元的雙窗口鄰域光譜信息表征進(jìn)行118NationalRemoteSensingBulletin遙感學(xué)報(bào)2024,28（1）深入探討，相比于單窗口，雙窗口在孤立變化像元及大面積變化區(qū)域可能具有更好的變化屬性模式的鑒別能力。此外，SFDAPF方法在顯著性增強(qiáng)階段僅利用了頻域表示特征中的幅度特征，并未對(duì)相位特征在變化屬性模式顯著性增強(qiáng)方面的作用進(jìn)行深入挖掘。因此，未來(lái)的研究工作將在SFDAPF算法的基礎(chǔ)上進(jìn)一步探索雙窗口光譜信息表征以及頻域表示特征的相位信息對(duì)雙時(shí)相高光譜遙感圖像變化檢測(cè)的作用及貢獻(xiàn)。參考文獻(xiàn)（References）BaisantryM,NegiDSandManochaOP.2012.Changevectoranaly-sisusingenhancedPCAandinversetriangularfunction-basedthresholding.DefenceScienceJournal,62(4):236-242[DOI:10.14429/dsj.62.1072]BovoloF,BruzzoneLandMarconciniM.2008.AnovelapproachtounsupervisedchangedetectionbasedonasemisupervisedSVMandasimilaritymeasure.IEEETransactionsonGeoscienceandRemoteSensing,46(7):2070-2082[DOI:10.1109/TGRS.2008.916643]CarvalhoJrOA,Guimar?esRF,GillespieAR,SilvaNCandGomesRAT.2011.Anewapproachtochangevectoranalysisusingdis-tanceandsimilaritymeasures.RemoteSensing,3(11):2473-2493[DOI:10.3390/rs3112473]CongRM,LeiJJ,FuHZ,ChengMM,LinWSandHuangQM.2019.Reviewofvisualsaliencydetectionwithcomprehensivein-formation.IEEETransactionsoncircuitsandSystemsforVideoTechnology,29(10):2941-2959[DOI:10.1109/TCSVT.2018.2870832]DemirB,BovoloFandBruzzoneL.2012.Detectionofland-covertransitionsinmultitemporalremotesensingimageswithactive-learning-basedcompoundclassification.IEEETransactionsonGeoscienceandRemoteSensing,50(5):1930-1941[DOI:10.1109/TGRS.2011.2168534]DuB,RuLX,WuCandZhangLP.2019.Unsuperviseddeepslow featureanalysisforchangedetectioninmulti-temporalremote sensingimages.IEEETransactionsonGeoscienceandRemote Sensing,57(12):9976-9992[DOI:10.1109/TGRS.2019.2930682]DuPJ,LiuSC,GambaP,TanKandXiaJS.2012.Fusionofdiffer- enceimagesforchangedetectionoverurbanareas.IEEEJournal ofSelectedTopicsinAppliedEarthObservationsandRemote Sensing,5(4):1076-1086[DOI:10.1109/JSTARS.2012.2200879]GaoF,WangX,DongJYandWangSK.2018.Syntheticaperturera-darimagechangedetectionbasedonfrequency-domainanalysisandrandommultigraphs.JournalofAppliedRemoteSensing,12(1):016010[DOI:10.1117/1.JRS.12.016010].HematiM,HasanlouM,MahdianpariMandMohammadimaneshF.2021.Asystematicreviewoflandsatdataforchangedetectionapplications:50yearsofmonitoringtheearth.RemoteSensing,13(15):2869[DOI:10.3390/rs13152869]HouXDandZhangLQ.2007.Saliencydetection:aspectralresidualapproach//ProceedingsofIEEEConferenceonComputerVisionandPatternRecognition.Minneapolis:IEEE:1-8[DOI:10.1109/CVPR.2007.383267]HouZF,LiWandDuQ.2021.Apatchtensor-basedchangedetectionmethodforhyperspectralimages//Proceedingsof2021IEEEIn-ternationalGeoscienceandRemoteSensingSymposium.Belgium:IEEE:4328-4331[DOI:10.1109/IGARSS47720.2021.9554630]HouZF,LiW,LiL,TaoRandDuQ.2022.Hyperspectralchangede-tectionbasedonmultiplemorphologicalprofiles.IEEETransac-tionsonGeoscienceandRemoteSensing,60:5507312[DOI:10.1109/TGRS.2021.3090802]HuMQ,WuC,DuBandZhangLP.2023.Binarychangeguidedhy-perspectralmulticlasschangedetection.IEEETransactionsonIm-ageProcessing,32:791-806[DOI:10.1109/TIP.2022.3233187]JaemsiriJ,TitijaroonrojTandRungrattanaubolJ.2019.Modifiedscale-spaceanalysisinfrequencydomainbasedonadaptivemulti-scaleGaussianfilterforsaliencydetection//Proceedingsof201916thInternationalJointConferenceonComputerScienceandSoftwareEngineering.Chonburi:IEEE:218-223[DOI:10.1109/JCSSE.2019.8864211]KochCandPoggioT.1999.Predictingthevisualworld:silenceisgolden.NatureNeuroscience,2(1):9-10[DOI:10.1038/4511]KwanC.2019.Methodsandchallengesusingmultispectralandhyper-spectralimagesforpracticalchangedetectionapplications.Infor-mation,10(11):353[DOI:10.3390/info10110353]LiJ,LevineMD,AnXJ,XuXandHeHG.2013.Visualsaliencybasedonscale-spaceanalysisinthefrequencydomain.IEEETransactionsonPatternAnalysisandMachineIntelligence,35(4):996-1010[DOI:10.1109/TPAMI.2012.147]LiMK,LiM,ZhangP,WuY,SongWYandAnL.2019.SARimagechangedetectionusingPCANetguidedbysaliencydetection.IEEEGeoscienceandRemoteSensingLetters,16(3):402-406[DOI:10.1109/LGRS.2018.2876616]LiuSC,MarinelliD,BruzzoneLandBovoloF.2019.Areviewofchangedetectioninmultitemporalhyperspectralimages:currenttechniques,applications,andchallenges.IEEEGeoscienceandRemoteSensingMagazine,7(2):140-158[DOI:10.1109/MGRS.2019.2898520]LuoFL,DuB,ZhangLP,ZhangLFandTaoDC.2019.Featurelearningusingspatial-spectralhypergraphdiscriminantanalysisforhyperspectralimage.IEEETransactionsonCybernetics,49(7):2406-2419[DOI:10.1109/TCYB.2018.2810806]MarchesiSandBruzzoneL.2009.ICAandkernelICAforchangede-tectioninmultispectralremotesensingimages//Proceedingsof周承樂(lè)等：光譜—頻域?qū)傩阅Ｊ饺诤系母吖庾V遙感圖像變化檢測(cè)1192009IEEEInternationalGeoscienceandRemoteSensingSympo-sium.CapeTown:IEEE:II-980-II-983[DOI:10.1109/IGARSS.2009.5418265]NielsenAA.2007.TheregularizediterativelyreweightedMADmeth-odforchangedetectioninmulti-andhyperspectraldata.IEEETransactionsonImageProcessing,16(2):463-478[DOI:10.1109/TIP.2006.888195]Ortiz-RiveraV,Vélez-ReyesMandRoysamB.2006.Changedetec-tioninhyperspectralimageryusingtemporalprincipalcompo-nents//ProceedingsVolume6233,AlgorithmsandTechnologiesforMultispectral,Hyperspectral,andUltraspectralImageryXII.Orlando:SPIE:368-377[DOI:10.1117/12.667961]OuXF,LiuLZ,TuB,ZhangGYandXuZ.2022.ACNNframe-workwithslow-fastbandselectionandfeaturefusiongroupingforhyperspectralimagechangedetection.IEEETransactionsonGeoscienceandRemoteSensing,60:5524716[DOI:10.1109/TGRS.2022.3156041]PrasadSandBruceLM.2008.Limitationsofprincipalcomponentsanalysisforhyperspectraltargetrecognition.IEEEGeoscienceandRemoteSensingLetters,5(4):625-629[DOI:10.1109/LGRS.2008.2001282]ShangXD,SongMP,WangYL,YuCY,YuHY,LiFandChangCI.2021.Target-constrainedinterference-minimizedbandselectionforhyperspectraltargetdetection.IEEETransactionsonGeosci-enceandRemoteSensing,59(7):6044-6064[DOI:10.1109/TGRS.2020.3010826]SongA,ChoiJ,HanYandKimY.2018.Changedetectioninhyper-spectralimagesusingrecurrent3Dfullyconvolutionalnetworks.RemoteSensing,10(11):1827[DOI:10.3390/rs10111827]SrivastavaA,LeeAB,SimoncelliEPandZhuSC.2003.Onadvanc- esinstatisticalmodelingofnaturalimages.JournalofMathematical ImagingandVision,18(1):17-33[DOI:10SuHJ.2022.Dimensionalityreductionforhyperspectralremotesens- ing:advances,challenges,andprospects.NationalRemoteSens-ingBulletin,26(8):1504-1529.(蘇紅軍.2022.高光譜遙感影像降維:進(jìn)展、挑戰(zhàn)與展望.遙感學(xué)報(bào),26(8):1504-1529)[DOI:10.11834/jrs.20210354]SuHJ,WuZY,ZhangHHandDuQ.2022.Hyperspectralanom