《光谱—频域属性模式融合的高光谱遥感图像变化检测.docx》由会员分享，可在线阅读，更多相关《光谱—频域属性模式融合的高光谱遥感图像变化检测.docx（17页珍藏版）》请在课桌文档上搜索。
1、光谱一频域属性模式融合的高光谱遥感图像变化检测摘要：高光谱作为“图谱合一”的遥感技术，具有精细光谱和空间影像的地面覆盖观测与识别优势。然而，高光谱遥感数据的光谱信息表征以及空间信息的利用给双时相高光谱遥感图像变化检测任务带来了巨大的挑战.为此，本文探讨了一种光谱一频域属性模式融合的高光谱遥感图像变化检测方法SFDAPF（Spectral-FrequencyDomainAttributePatternFusion）.首先，设计一种基于梯度相关性的光谱绝对距离，使双时相高光谱遥感图像像元对的属性模式从光谱信息表征方面得到了逐级量化；其次，基于傅里叶变换理论提出一种变化像元属性模式显著性增强策略，从
2、全局空间信息利用方面改善了变化与非变化属性像元对的可分性；再次，将全图属性模式显著性水平与悌度相关性的光谱绝对距离进行融合，得到变化检测的综合界定值；最后，依据虚警阈值确定双时相高光谱遥感图像变化检测的二值化结果。将本文提出的SFDAPF方法在开源的双时相高光谱遥感图像河流和农场数据集上进行了变化检测性能验证，结果表明SFDAPF方法能够优于传统的和最新的变化检测方法，变化检测的总体精度在河流和农场数据集上分别达到了0.96508和0.97287（最高精度为1.00000）证实了本文SFDAPF收稿日期：2022-11-20；预印本：2023-04-19基金项目：国家自然科学基金（编号：422
3、22106,61976234,T22250I9）第一作者简介：周承乐，研究方向为遥感图像理解与变化检测.E-mail:chengle_zhou通信作者简介：石茜，研究方向为遥感图像处理与农业遥感应用.E-mail:shixi51引言遥感对地观测技术的数据主要有合成孔径雷达图像、全色图像、多光谱图像以及高光谱图像。高光谱遥感图像能够提供比其他遥感图像更丰富的光谱信息O例如,与多光谱遥感图像比较而言，多光谱图像的光谱分辨率在10。数量级范围，仅包含可见光至近红外光谱区间的几个或十几个波段，而高光谱图像光谱范围较广，谱带较窄（VlO%）,波段数可达几百甚至上千，能够获取几乎连续的地物覆盖光谱信息。因
4、此，高光谱遥感图像比多光谱遥感图像更易于识别细微变化，反映不同物体材质等（1.Uo等，2019）.然而，高光谱遥感图像为地面覆盖观测信息的精准解译既带来诸多便利，又带来了高维非线性数据处理方面的挑战（苏红军，2022）。为此，许多学者针对不同的任务需求，开展了分类、目标识别、变化检测等算法研究（ZhoU等，2022；Shang等，2021；SU等，2022）.遥感图像变化检测作为遥感对地观测技术的关键应用之一，可以持续观察和发现成像场景的变化信息，近年来被广泛应用于环境监测（Hemati等，2021）、城市扩张（YoUSif和Ban,2014）x自然灾害检测与评估（Zhang等，2003）等领
5、域。实质上，双时相遥感图像变化检测目的在于对前后时相影像的空间一光谱差异性进行建模，从而区别2期影像中的变化区域与非变化区域。一般而言，变化检测任务包含了数据预处理、差异性挖掘与表征以及性能度量与评估3个关键步骤（ZhaO等，2022）。双时相遥感图像变化检测方法可以概括为四类，即代数方法、转换方法、分类方法以及深度学习方法（1.iU等，2019）。代数方法主要包括图像差异、图像比例、图像回归、绝对距离、变化向量分析等（DU等，2012；CarValhO等,2011）该类方法直接对双时相遥感图像执行代数运算，从而评判2期影像像元对的属性模式（变化属性与非变化属性）。目前，大多数代数方法属于逐像
6、素分析方法，且服从像元变化由灰度差异反映的假设变换方法（Ortiz-Rivera等,2006；Marchcsi和Bruzzone,2009）主要是将遥感数据从原始特征空间投影至另一个特征空间，从而识别变化属性的像元或区域。然而，这类方法往往仅利用遥感图像的光谱信息，忽略了邻域像元之间的相似性（Zhang等，2012）0分类方法包括遥感图像后分类与直接分类2种方式（DCmir等，2012；BOvok）等,2008）。后分类嬲法在于将不同时相的遥感图像分别进行分类，然后对分类结果进行比较分析，以获取变化属性的像元；直接分类则是将不同时相遥感图像先做差值运算，然后借助分类器确定变化属性的像元。最近，
7、基于深度学习方法的双时相高光谱遥感图像变化检测是比较热门的研究方向，该类方法以数据驱动的方式构建非线性变换，以得到适配变化检测任务的数据高阶特征（Zheng等，2021；Zhan等，2021）。例如，DU等（2019）利用对称深度网络与慢特征分析理论设计了一种双时相高光谱遥感图像变化检测方法。实验结果证明该方法的检测性能优于当时其他先进的变化检测算法，其中包括其他基于慢特征分析和深度学习的方法Wang等（2019）提出了一种端到端二维卷积神经网络的双时相高光谱遥感图像变化检测算法，其思路在于，首先利用原始光谱特征与解混后端元特征，共同构建了像元对的二维差值矩阵，然后采用二维深度卷积神经网络获取
8、像元对的高阶语义属性。OU等（2022）在慢特征分析的理论基础上设计了原始光谱信息的快慢特征筛选策略，并将像元对的二维差值矩阵作为属性模式的表征方式，从而提出了基于二维卷积神经网络的变化检测方法。Wang等（2022）提出了一种端到端残差自校准网络。该网络通过自适应地对像元的局部空间信息与光谱特征的依赖性进行建模，以提高变化检测的精度。此外，Hu等（2023）设计了二元变化引导的高光谱遥感图像多类别变化检测网络，其思路在于利用稳定的二元变化检测方法促进多类别变化信息检测与分离。虽然上述深度学习方法能够在变化检测任务中取得优越的检测结果，但均属于由数据驱动的弱监督变化检测方法，其检测性能受限于训
9、练数据库中训练样本数量以及标签准确性。实际应用中的变化检测任务不存在大量且准确的标记样本，大多深度学习方法则采用某种机制（如变化向量分析（CarVaIho等，2011）等）构建出可供特征学习的弱标记样本，而弱标记样本中往往存在噪声标签。近年来，频域分析方法在自然图像显著性分析领域得到了广泛的应用（1.i等，2013；Jaemsiri等，2019）。其基本思路在于对灰度化的自然图像进行傅里叶变换得到对应的幅度谱和相位谱，并利用二维高斯核对幅度谱进行低通滤波，然后对原始相位谱与滤波后的幅度谱进行逆傅里叶变换，从而得到前景与背景对比度增强的显著差异图像。此外，图像频域分析方法逐渐发展至遥感影像变化检
10、测领域，例如，Gao等（2018）结合频域分析方法与随机多图策略提出了合成孔径雷达图像变化检测方法，该方法利用频域分析手段的目的在于从前后时相SAR图像的差值图像中确定具有显著差异特征的区域然而，不同于单波段SAR图像，高光谱遥感图像具有光谱波段高维特性，因此如何综合光谱维的全波段信息并提取前后时相图像的频域显著差异是一个具有挑战的任务。对于双时相高光谱遥感图像变化检测算法而言（包括传统方法与深度学习方法），其核心问题在于2期影像像元对光谱差异化的有效表征以及像元邻域上下文信息的充分利用，从而使得检测算法的总体精度（虚警与漏检）达到最佳（Kwan,2019）0最近，Hou等（2021）结合代数
11、运算与空间形态学特征提出了一种高光谱遥感图像变化检测方法，该方法通过引导滤波将形态学空间信息与基于光谱信息的代数运算结果进行融合，虽然降低了变化检测的漏检率却未有效抑制虚警现象。因此，从漏检与虚警平衡的角度出发，充分挖掘与表示像元对的光谱信息差异特征，对降低算法的漏检现象极其重要；同时联合像元对的空间信息降低算法虚警现象，值得进一步思考与探索。基于此，本文提出了一种光谱一频域属性模式融合的高光谱遥感图像变化检测方法SFDAPF(Spcctral-FrcqucncyDomainAttributePatternFusion)o首先，设计一种基于梯度相关性的光谱绝对距离GCASD(GradientC
12、orrelation-BasedAbsoluteSpectralDistance),使像元对的变化属性从光谱信息表征方面得到了逐级量化；其次，基于傅里叶变换理论提出了一种高光谱遥感图像的变化像元属性模式显著性增强SE(SignificantEnhancement)策略，从全局空间信息利用方面增强了变化与非变化属性模式的可分性；再次，本文将全图变化属性显著水平与GCASD进行有效融合，得到变化检测的综合界定值；最后，依据虚警阈值确定双时相高光谱遥感图像变化检测的二值化结果。2研究方法本文提出的光谱一频域属性模式融合的高光谱遥感图像变化检测方法主要包含2个部分，即基于梯度相关性的光谱绝对距离与基于
13、傅里叶变换理论的显著性增强策略，其具体架构流程如图1所示。总的来说，前者从光谱特征层面对像元对的变化属性进行逐级量化；后者从频域高频幅度特征增强了变化属性像元的显著性。频谱显著性增强特征融合图像原始高光谱图像结构与纹理差异邻域获取图像傅里叶正(逆)变换A(,)=R(F(G)1.()=log(A(/)P(Z)=S(F(G)8(f)=1.(J)K(x,y)G=F(exp(fl()+V)1主成分I分析幅度谱相位谱幅度高斯泄波梯度相关性光谱绝对距离相位请领域检测领域属性光谱属性*H叱)；侬月(i1rT-Jrr1s6=-b=(ltl)O=SJdist*潴波度谱变化情测结果图I基于光谱一频域属性模式融合的
14、高光谱遥感图像变化检测流程图Fig.1OutlineofchangedetectioninHypcrspcctralremotesensingimageviaspectral-frequcncydomainattributepatternfusion2.1 图像分组及融合在计算2时相高光谱遥感图像像元对的梯度相关性绝对距离之前，本文分别对原始图像4与4进行波段分组与融合，目的在于消除噪声波段以及提升算法执行效率(TU等，2021)。首先，本文分别将。,与4划分为M个具有连续且相邻波段的波段子集，第m个(m=l,2M)波段子集厅1表示为1.s.flvw!4Q,；(l厂“gjwyWj式中，/=，r
15、,d,尸表示为具有Q个波段的4或/,图像，BQ/mO为不大于的最大整数O值得一提的是，本文依据Zhou等(2021)在高光谱遥感图像分类任务中的经验，将波段分组的数量M设置为25。一旦获得M波段子集,则，,或的融合图像/F可以被定义为七，S：“J式中,Um为第m个波段子集中的波段数量,Hf表示为第m个波段子集中第备个波段。2.2 梯度相关性的光谱绝对距离光谱绝对距离S在变化检测任务中是1种简单直观的检测器，其公式表达为.Sid=ElHBI4 i式中，Q是高光谱遥感图像或/各自的波段数量，Bl和比分别表示4,或A第/个波段的图像。光谱绝对距离检测器的基本假设在于像元或区域的变化会引起地物福亮度明
16、显变化，因此辐射校正和几何校正对2期图像的变化检测结果有着显著的影响。参考HoU等(2022)报道，利用2期影像待测像元在8连通邻域像元上的光谱和空间相似性，设计了光谱角权重的局部绝对距离resj,其公式为Zs2)b=,Z,N式中，/表示4,或人任一高光谱遥感图像的像元数量,Xl与Xi分别为A或A图像的待测像元,xk和X:i是对应于单波段图像8连通邻域中像元的光谱向量。事实上，从式(4)中不难看出，两期影像中变化属性的界定值是依据待测像元的8连通邻域像元间的光谱绝对距离以及待测像元之间余弦相似性而确定.因此，介于变化与非变化区域的边界与角点像元极大程度上会判为变化像元，从而引发围绕变化像元或区
17、域的虚警现象。为了克服上述问题，本文设了1种梯度相关性的光谱绝对距离，如图2所示.首先，本文对图像融合后2期图像已与的边缘以对称方式进行填充，以确保边缘与角点像元具有8连通区域。本文中，填充的行列数均为2。中心像元图2梯度相关性光谱绝对距离Fig.2GradientrreIation-basedabsolutespectraldistance其次，2期图像吊与昆的8连通区域中心像元对的光谱绝对距离diStb被定义为dist)=Vz,-rt=1,2,N(5)ji式中，4b表示用图像中第b个像元4的第j个波段的光谱反射值，CA表示/图像中第b个像元疗的第，个波段的光谱反射值。然后，本文引入光谱余弦
18、距离函数几)，以量化各像元对之间的相似性，其表达式为5帝(6)式中，HW厅与枕刑为表示2时相图像像元的通用符号。因此，中心像元对的余弦相似性为3。=f(r；l)此处，若仅用光谱绝对距离与余弦相似性界定像元对的属性模式，将导致属性模式趋向于变化属性，原因在于高光谱遥感数据获取的过程中往往受云层遮挡、传感器抖动等自然与非自然因素的即响为此，本文利用中心像元8连通区域像元之间的余弦相似值3,构造了权重缩放因子gb,逐级量化像元对的光谱属性模式，从而有效克服了虚警现象，公式为WCb=(c=1,Z.8)(7)5 .q=Grad3j(8)式中，小丁和&D分别表示为小与木中心像元对应的第C个邻域像元，Gra
19、d()为对以内各分量计算梯度的表达式，4表示由梯度相关性构成的权重缩放因子。最后，本文通过8连通区域平均余弦权重、权重缩放因子以及中心像元对的光谱绝对距离，构造经5缩放后的平均余弦权重St),获取全图光谱属性模式的综合界定值O,计算公式为Sb=RbX0-ft)(9)D=sbdis,b=1,2,N(10)式中，R为的平均余弦权重。2.3 傅里叶变换理论的频域显著性增强近年来，图像显著性检测的研究热度逐渐由自然图像处理领域蔓延、发展至遥感图像处理领域(COng等,2019;1.i等f2019)。显著性检测中存在1个基本假设(Koch和Poggio,1999),即：视觉系统对频繁出现的特征具有较低的
20、响应，而对偏离规范的特征保持敏感。受此启发，本文从图像显著性检测的思路出发，设计了基于傅里叶变换理论的高光谱遥感图像变化属性显著性增强方案。由于高光谱遥感图像的高维特征，本文首先采用主成分分析算法(Prasad和Bruce,2008)分别提取2期遥感图像的第一主成分特征，同时利用图像差值运算获取2时相第一主成分特征之间的结构与纹理差异信息G(图像)。其次，本文利用傅里叶变换将图像G映射到频域，并从图像频谱特征中提取其幅度谱4(f),公式表示如下：A(f)=R(F(G)(11)式中，F()与R()分别表示傅里叶变换与取频域复数特征的模值(幅度谱)。事实上，对变化检测任务而言，变化属性属于高频分量
21、而非变化属性属于低频分量，而傅里叶频谱的平均振幅4(f)与频率倒lEIE比(Srivastava等，2003;Hou和Zhang,2007),因而非变化属性对应于高幅值。此处，本文对4(f)进行了IOg变换(1.(f),抑制非变化属性的幅值上限，同时放大变化属性的幅值的差异性，公式表达如下所示：/、1.S=IOg(A(f)(12)然后，本文引入二维高斯滤波对图像的Iog幅度谱进行标准差诱导的窗口3。包滑动滤波，以进一步抑制非变化属性的幅度，从而提升变化和非变化属性像元的可分性。其中，二维高斯掩码函数K(x,V)及其滤波输出G(f)如下所示：(,y)=-r-;:-I(B)2w2,JG=Uf)K(
22、Xy)(14)g=2ceiI(2)+1(15)式中，Xc与以为中心像元的二维坐标位置，Xc二=，+1,X与y表示8连通区域像元的二维坐标，。为二维高斯滤波的标准差，Ciel()表示为向上取整数。此外，为得到频域显著水平G,本文对频域表示特征进行相位谱特征提取P，公式表示如下所示：P()=S(F(G)(16)式中，S()为对频域复数特征取其虚部的函数。此后,利用G(f)和P(f)进行逆傅里叶变换,获得频域显著水平G,其公式表达如下所示：G=FGXP(G(f)+P(/)(17)式中，1.()表示为逆傅里叶变换。当梯度相关性的光谱绝对距离。与频域显著水平3均获得以后，本文对两者进行点乘运算，以获取全
23、图属性模式的光谱一频域综合界定值Vc,公式如下所示：Vc-Norm(D)XNorm(G)(18)式中，Norm()表示最大最小归一化函数。2.4 虚警阈值二值化分割为获得双时相高光谱遥感图像变化检测的二值化分类结果，本文将K的值从最小值到最大值等间距划分5000个备选阈值，并在每个备选阈值下统计本文方法的查全率及虚警率，最后，在虚警率自水平下，以阈值对全图进行二值化分割。值得一提的是，下文将以实验的方式对不同虚警率水平下的变化检测效果进行详细分析。3实验结果与分析3.1 实验数据集描述(1)河流数据集：该数据集利用EarthObserving-1(E0-1)Hyperion传感器分别于2013
24、年5月3日和2013年12月31日在中国江苏省某个河流区域进行收集，包含2个时相的高光谱遥感图像，每个图像共有242个光谱波段。单幅影像的光谱范围为0.4-2.5m,光谱分辨率为IOnm,图像大小为463X241像素，图像中主要变化的覆盖类型为河滩。值得一提的是，本文实验采用了高光谱遥感图像中的198个高信噪比波段进行了方法性能验证,惠微途径为http:/crabwq.github.io图3为河流数据集TI和T2时相的假彩色图以及地面真值图GT(GroundTruth).此外,从该数据集地面真值图与2期假彩色图像对比中观察，地面真值图似乎存在斑点噪声，原因在于用ENVI生成的2期假彩色图像的斑
25、点区域差异可视化不明显，但对应区域确实存在覆盖变化，该数据集细节信息请参考(Wang等,2019)(2)农场数据集：该数据集同样由EO-IHyPerion传感器分别于2006年5月3日和2007年4月23日在中国江苏省盐城市某个湿地农业区所采集。单幅影像的光谱范围、光谱分辨率与河流数据集类似。该数据集图像的大小为420X140像素，去除噪声及水吸收波段后的154个光谱波段用于本文算法性能验证实验，该数据集细节信息请参考(Song等，2018)。图4为农场数据集Tl和T2时相的假彩色图以及地面真值图。3.2 性能评价指标本研究在二分类的混淆矩阵基础上引入了总体准确率OA(OverallAccur
26、acy)、平均准确率AA(AverageAccuracy)、Kappa系数(Kappa)、交并比IoU(IntersectionoverUnion)以及Fl分数(Fl-SCore)等5个性能评估指标，以客观公正地评判各个双时相高光谱遥感图像变化检测算法的性能优劣性。此外，本文中变化像元的总体精度记为OAc以及非变化像元的总体精度记作OAu。a)TI图像(b)T2图像(C)地面真值图（八）Tlimage(b)T2image(c)Gr图3河流高光谱遥感图像数据集Fig.3RiverhyperspectralremotesensingimagesdatasetTlimage(b)T2图像(b)T2i
27、mage(O地面真值图(c)GT图4农场高光谱遥感图像数据集Fig.4Fannlandhyperspectralremotesensingimagesdataset3.3 参数设置及分析在本研究所提出的SFDAPF变化检测方法中，高斯滤波标准差。与虚警阈值61的大小将会直接影响SFDAPF方法的检测精度(包括0A、OAU及OAc)因此，本研究分别在河流与农场高光谱遥感图像数据集上探讨了。与6,对SFDAPF方法检测精度的定量化影响。图5与图6中的红色箭头表示标准差与虚警阈值区分别设定为某一值时OA、OAU及OAC所对应的指标。蓝色箭头为本文所设定与民参数下所对应的OA、OAu及OAC指标。在基
28、于河流高光谱遥感数据集的参数分析实验中，。与自的大小变化区间分别设置为0l,0.6,4.1和IXlO,2.5x10,IXl(T).图5展现了SFDAPF方法下OA、OAu及OAc等3个性能指标随不同。与区值的变化程度。由图5（八）可见：当取值固定时，SFDAPF方法的OA值大小随着S从1x10到1x10“区间的变化呈现了先上升后下降的趋势；而当代取值固定，OA指标随着值的增大而缓慢减小。由图5(b)和图5(c)可知：当虚警水平较高时，SFDAPF方法将会增大对变化像元的敏感性，OAC指标相对较高而OAU指标相对较低所示)；当虚警水平较低时，SFDAPF方法将会降低对变化像元的感知能力，OAC指
29、标有所下降而OAU指标有所上升(图5中红蓝箭头所示)。的大小决定了高斯函数的宽度，。越大函数图像跨幅越宽，反之则越窄。换言之，其值大小影响着平滑程度。而在SFDAPF方法中，滤波的目的在于抑制非变化像元的幅度特征从而增强变化和非变化像元的可分性，因此较大的并不是最佳的选择。此外，若仅依据SFDAPF方法的OA指标选取最佳的。与S一似乎并不能获得最好的检测效果(图5中红蓝箭头所示)其原因在于，变化像元在图像中属于少数部分，非变化像元检测精度较高时OA指标同样能够取得最高值。因此,本文依据OA、OAu以及OAC三者的平衡，将。与后分别设置为0I与2.5x10)同样地，本文在农场高光谱遥感数据集上分
30、析了高斯滤波标准差。与虚警阈值自对本文SFDAPF方法的检测精度影响。与S的大小变化区间同样分别设置为0.1,0.6,4.1和1IO1.2.5x101.,1x10“。如图6所示，SFDAPF方法的OA、OAu及OAC等3个指标随与6取值变化的总体趋势与河流数据集上大致类似。在农场数据集上，本文同样对最高OA取值与次高OA取值的。与B进行了分析，结果见图6.可见：当与鸟分别设定为Ql和IxKH时,SFDAPF方法的OA、OAU与OAe取值分别达到97.35%、99.00%和96.77%,此时OA为最高（如图6中红蓝箭头所示）。而当与t分别设设定为0.1和2.510，时，SFDAPF方法的OA、O
31、AU与OAC取值分别达到97.29%、97.50%和93.31%,此时OA为次高。根据最高与次高指标的分析，OA与OAU指标分别降低0.06%和2.50%,OAc指标提升了3.46%,这表明仅依据SFDAPF方法的OA指标设定与自值，将使SFDAPF方法无法取得漏检与虚警的合理平衡。因此，河流与农场2个数据集的参数分析实验结果均证明了本文SFDAPF方法在变化检测任务的有效性。此外，若将SFDAPF方法拓展至新的双时相高光谱遥感图像数据集，本文建议将SFDAPF方法的与其参数分别设置为0.1与2.5x101（八）总体（八）Oerall(b)未变化像元(b)Unchangedpixels(c)变
32、化像元(c)Changedpixels图5河流高光谱遥感图像数据集上高斯滤波标准差。与虚警阈值民对所提出的SFDAPF方法的变名检测总咛精度影响Fig.5InfluenceofGaussianfilterstandarddeviationandfalsealarmthresholdlonthechangedetectionccrac,)f(heproposedSFDAPFmethodontheriverhyperspectralremotesensingimagedataset（八）总体（八）Oerall(b)未变化像元(bUnchangedpixels(c)变化像元(c)Changedpix
33、els图6农场高光谱遥感图像数据集上高斯源波标准差。与虚警阈值因对所提出的SFDAPF方法的变化检测总体精度影响Fig.6InfluenceofGaUSSianfilterstandarddeviationandialscalarmthreshold/3；onthechangedetectionaccuracyoftheproposedSFDAPFmethodonthefa11nlandhyperspectralremotesensingimagedataset3.4 组件性能贡献分析本文提出的SFDAPF方法由梯度相关性绝对光谱距离（GCASD）、图像融合（IF）以及显著性增强（SE）3个核
34、心组件构成。因此，本小节在河流与农场数据集上定性与定量地分析了每个核心组件对SFDAPF方法的性能贡献。首先，本文在河流高光谱遥感图像上，从定性层面的图像可视化角度，分别给出了GCASD组件、SE组件、GCASD与SE组件融合（记作GCASD&SE）的可视化像元属性模式的强度信息以及SFDAPF方法的变化检测结果（图7）。图7（b）为GCASD组件的像元属性强度信息，可见检测结果对像元对的变化属性极为敏感，从而导致大多数像元均趋向于变化像元。图7（c）为SE组件的像元属性强度信息，可见该强度信息对标地面真实值（图7（八）和图7（b）,具有更为理想的虚警现象。但是，SE组件的强度信息在孤立点与小
35、面积变化区域表现出低显著程度现象。因此，将GCASD组件与SE组件的强度信息进行融合，能够在非变化像元抑制与变化像元增强方面得到有效互补，其融合结果如图7(d)所示，像元属性模式相比于图7(b)和图7(c)更接近于地面真实值，对应的SFDAPF变化检测结果如图7(e)所示。（八）GT(b)GCASD(c)SEGCASD(OA=95.82%)(c)IF(OA=96.13%)(d)SE(OA=97.01%)(e)SFDApF(OA=97.29%)图8农场高光谱遥感数据集上各组件以及SFDAPF方法的变化检测效果Fig.8Changedetectioneffectofeachcomponentand
36、SFDAPFmethodonfarmhyperspectralremotesensingdataset3.5 不同变化检测方法的性能比较为进一步验证提出的SFDAPF方法在双时相高光谱遥感图像变化检测任务中的有效性,本文使用SFDAPF方法和其他变化检测方法进行比较分析。对比方法包括经典的CVA(CarValhO等，2011)、PCA-CVA(BaiSantry等,2012)IRMAD(NieIsen,2007)方法以及先进的PTCD(HoU等，2021)、SA1.A(HOU等,2022)与MMPs(HOU等,2022)方法。其中，CVA是利用2期图像各波段的差值和作为像元属性模式的界定值；P
37、CA-CVA是在CVA之前采用了主成分分析算法进行特征提取；IRMAD是在多变量检测方法基础上引入迭代重加权的变化检测方法；PTCD为基于局部块张量分解和重建策略的检测方法；SA1.A为基于光谱角加权局部绝对距离的检测方法；MMPS在SA1.A的基础上引入形态学滤波的变化检测方法。上述对比方法中所涉及的实验参数分别使用对应文献中默认的参数。此外，本文使用河流与农场2个双时相高光谱遥感数据集来进行性能验证实验，采用3.2部分中的OA、AA、KaPPa、IoU以及FI等5个性能评估指标对各方法的性能优越性进行评测。表2和图9给出了CVA、PCA-CVA.IRMADxPTCD、SA1.A、MMPs及
38、本文SFDAPF方法在河流数据集上的实验结果就经典的变化检测方法CVAxPCA-CVA及IRMAD分析而言，由表2观察可知,CVA的OAc和OAu为0.97391和0.87660,PCA-CVA的OAc和OAu为0.95184和0.95030,IRMAD的OAc和OAu为0.97103和0.71778,CVA的检测结果对像元的变化属性模式更为敏感，IRMAD的检测结果对像元的变化属性模式为警惕，而PCA-CVA方法相比两者取得了较好的检测结果。实际上，CVA仅采用像元对之间的光谱特征差值和评判像元的属性模式，而IRMAD和PCA-CVA则是在计算属性模式界定值之前分别执行了仿射变换与主成分特征
39、提取操作，因此像元属性模式的判定结果优于CVA方法。此外，这3个方法与本文SFDAPF方法比较而言，不难看出SFDAPF的OAc指标彳氐于CVA与PCA-CVA方法，其原因在于SE组件通过频域二维高斯滤波获取高置信的变化像元强度信息的同时也一定程度上抑制了纹理信息与周围像元差异较微弱的变化像元的强度信息，使得变化与非变化像元强度信息的对比度较大，导致SFDAPF方法收缩了变化像元属性模式的强度信息范围，从而呈现出OAC指标偏低。但SFDAPF方法的OAU指标是3个方法中的最高精度(097504)。同时，SFDAPF方法的Fl(0.98076)、IoU(0.96225)、OA(0.96508)3
40、个指标同样远高于上述3个经典方法。结果表明：与经典方法比较,本文SFDAPF方法在梯度相关性光谱绝对距离计算阶段引入像元局部上下文信息以及采用全局显著性增强策略对降低虚警是有效的。表2各方法在河流高光谱遥感数据上采用不同评估指标的检测结果Table2DetectionresultsofdifferentmethodsusingdifferentevaluationindicatorsonriverHypcrspcclralremotesensingdataset方法AAOAuOAcKappaFlIoUOA时间优CVA0.925250.876600.973910.540100.933010.874420.885059.57102PCA-CVA0.951070.951840.950300.747780.972970.947360.951709.8710,IRMAD0.844400.971030.717780.681960.972050.945620.949024.8l10PTCD0.753300.910180.596410.407130.934190.876510.882911.2910,SA1.A0.928810.
