融合多特征的高分辨率遙感影像變化檢測(cè)

葛楚婷，丁海勇

(南京信息工程大學(xué) 遙感與測(cè)繪工程學(xué)院，南京 210044)

0 引言

遙感影像變化檢測(cè)是指利用同一區(qū)域的多時(shí)相遙感影像，通過數(shù)理模型分析來(lái)檢測(cè)地表變化的過程。作為遙感影像重要的應(yīng)用之一，變化檢測(cè)不僅在檢測(cè)變化物體方面發(fā)揮著重要作用，還有助于了解地表演化過程和規(guī)律。遙感衛(wèi)星空間分辨率、時(shí)間分辨率和光譜分辨率的不斷提高以及更多遙感衛(wèi)星的發(fā)射，為變化檢測(cè)工作提供了豐富的影像數(shù)據(jù)源，促進(jìn)了其在土地覆蓋及利用變化[1]、城市擴(kuò)張[2]、濱海濕地監(jiān)測(cè)[3]等諸多方面的廣泛應(yīng)用。

由于高空間分辨率遙感影像具有豐富的空間特征，不同地表物體具有明顯的差異，同一地物內(nèi)部也表現(xiàn)一定的空間異質(zhì)性，這使得常規(guī)的變化檢測(cè)方法，如差值法、比值法和變化向量法難以應(yīng)用于高空間分辨率遙感影像進(jìn)行變化檢測(cè)。近年來(lái)，研究人員提出了多種基于變換的變化檢測(cè)算法，如迭代慢特征分析法(iterative slow feature analysis，ISFA)[4]、迭代加權(quán)多元變化檢測(cè)(iteratively reweighted multivariate alteration detection，IRMAD)[5]、主成分分析法(principal component analysis，PCA)[6]等方法，這些方法都獲得了較好的檢測(cè)效果。但是，由于僅利用灰度值作為唯一統(tǒng)計(jì)信息，得到的檢測(cè)結(jié)果往往不夠完整且存在類似噪聲的偽變化區(qū)域[7]。由光照條件和輻射差異引發(fā)的“同物異譜”和“異物同譜”的誤差也證明了僅利用光譜信息的局限性。相比之下，紋理和結(jié)構(gòu)特征更加穩(wěn)定，且不受灰度差異的影響。因此，融合多特征來(lái)進(jìn)行變化檢測(cè)的思想被廣泛采取。已有研究中，對(duì)光譜、紋理和結(jié)構(gòu)特征的使用較多。基于光譜特征，如鄰域相關(guān)影像[8]、匹配誤差、JS散度(Jensen-Shannon，JS)和互相關(guān)特征[9]等用于遙感影像變化檢測(cè)。基于紋理特征，如局部二值紋理(local binary patterns，LBP)算子[10]、灰度共生矩陣(grey level co-occurrence matrix，GLCM)[11-12]等用于高空間分辨率遙感影像變化檢測(cè)及目標(biāo)提取。基于結(jié)構(gòu)特征，如形態(tài)梯度[13]、方向梯度直方圖(histogram of oriented gradient，HOG)[14]、方向梯度通道結(jié)構(gòu)特征(channel features of orientated gradients，CFOG)[15]等。

在遙感影像中，地物的光譜特性可以反映豐富的地物類別和屬性信息，紋理特征可以反映鄰域像元間的關(guān)系，而結(jié)構(gòu)特征則有助于識(shí)別建筑物道路等地物，這三種特征之間相互補(bǔ)充，共同揭示遙感影像的空間信息。然而，綜合使用三種特征進(jìn)行變化檢測(cè)的研究相對(duì)較少。為此，本文提出了一種多特征融合的高分辨率遙感影像變化檢測(cè)框架。利用最大投票方法決策融合IRMAD、ISFA、PCA 3種獨(dú)立算法的光譜變化檢測(cè)結(jié)果，并與經(jīng)最優(yōu)特征選擇后的紋理和結(jié)構(gòu)特征變化結(jié)果相結(jié)合，得到影像間全面的變化信息。

1 基本原理

本文方法的流程如圖1所示，主要包括3個(gè)部分。

圖1 融合多特征的變化檢測(cè)流程

1)獲取光譜變化信息。通過IRMAD、ISFA和PCA 3種方法分別提取雙時(shí)相影像間的光譜差異信息，然后綜合上述3個(gè)方法的檢測(cè)結(jié)果，利用最大投票策略(majority voting，MV)進(jìn)行決策級(jí)融合，獲得光譜特征真實(shí)變化的區(qū)域。

2)提取空間結(jié)構(gòu)+紋理特征變化信息。利用方向梯度直方圖HOG結(jié)構(gòu)特征、多尺度的灰度共生矩陣紋理信息構(gòu)建雙時(shí)相影像的特征集，并通過最優(yōu)特征的選擇和自適應(yīng)閾值分割得到結(jié)構(gòu)及紋理特征的最佳變化信息。

3)生成最終變化檢測(cè)結(jié)果。將光譜特征的檢測(cè)結(jié)果和結(jié)構(gòu)紋理特征的檢測(cè)結(jié)果進(jìn)行邏輯運(yùn)算分析，獲得綜合多特征信息的初始變化結(jié)果。而后利用數(shù)學(xué)形態(tài)學(xué)算子進(jìn)行后處理優(yōu)化，得到最終的變化檢測(cè)結(jié)果。

1.1 獲取光譜變化信息

1)基于光譜特征的變化檢測(cè)。遙感影像豐富的地物光譜特性為變化檢測(cè)工作提供較好的參考，但由于“同物異譜、異物同譜”現(xiàn)象的存在，利用單一的檢測(cè)方法往往精度有限。因此本文綜合3種光譜變化檢測(cè)方法(IRMAD、ISFA和PCA)的初始結(jié)果，經(jīng)決策分析后獲取準(zhǔn)確全面的光譜變化信息。

在變化檢測(cè)問題中，IRMAD算法的基本功能是引入一個(gè)與雙時(shí)相影像間的相關(guān)關(guān)系有關(guān)的隨機(jī)變量，并應(yīng)用卡方分布函數(shù)對(duì)像素進(jìn)行迭代重新加權(quán)[16]，使得光譜特征未變化的像素可以獲得較高的權(quán)重。

ISFA的原理與IRMAD方法類似。與變化像素相比，不變像素在多時(shí)相影像上是保持光譜特征不變或變化微弱的。迭代慢特征分析法應(yīng)用迭代加權(quán)的思想，在迭代的過程中為不變的像素分配較大的權(quán)值，提高變化像素和不變像素在特征差異中的可分離性。ISFA方法使用卡方距離來(lái)計(jì)算光譜差異圖[17]。

PCA通過差分圖來(lái)分析影像間的光譜特征差異，提取最能代表圖像光譜屬性的主成分分量來(lái)進(jìn)行變化檢測(cè)。此方法能有效降低數(shù)據(jù)集的維數(shù)，實(shí)現(xiàn)數(shù)據(jù)壓縮的同時(shí)盡可能多地保留遙感影像中的有用信息。先使用窗口大小為5×5的非重疊掩膜過濾掉差分圖中的背景部分，并使用主成分分析方法提取特征向量，而后將相鄰的掩膜數(shù)據(jù)投影到唯一的向量空間中來(lái)提取光譜變化。

獲得3個(gè)光譜變化差異圖后，使用自適應(yīng)閾值確定算法[18]進(jìn)行閾值分割，得到各差異圖的光譜變化圖斑(式(1))。

(1)

式中：X代表各光譜變化差異圖；X′表示閾值分割后的二值圖；μ和σ是差異圖的均值和標(biāo)準(zhǔn)差；T是需要設(shè)置的閾值參數(shù)。

1.2 獲取結(jié)構(gòu)+紋理變化信息

對(duì)于高分辨率遙感影像，不同的太陽(yáng)高度角、傳感器、成像時(shí)間等因素都會(huì)致使地物光譜混合呈現(xiàn)非線性特性，導(dǎo)致變化檢測(cè)結(jié)果存在誤差，因此僅考慮地物光譜信息往往不能得到全面的檢測(cè)結(jié)果。此外，對(duì)建筑物而言，結(jié)構(gòu)和紋理特征是判定其是否發(fā)生變化的關(guān)鍵因素。為充分利用影像的空間信息，使用HOG結(jié)構(gòu)特征和多尺度GLCM紋理特征的變化結(jié)果來(lái)對(duì)光譜變化信息進(jìn)行有力補(bǔ)充。

1)結(jié)構(gòu)+紋理特征提取。方向梯度直方圖HOG特征常用于提取遙感影像的結(jié)構(gòu)輪廓信息，其基本原理是用梯度或邊緣的方向密度分布將待測(cè)圖像局部目標(biāo)的輪廓特征完整地描述出來(lái)。首先計(jì)算輸入圖像中每個(gè)像素點(diǎn)梯度的幅值和方向，獲取紋理和形狀信息且削弱光照的干擾。其次將所有像元的梯度直方圖進(jìn)行累加投影和歸一化處理，形成HOG 特征向量。基于此方法分別對(duì)T1時(shí)相和T2時(shí)相的遙感影像進(jìn)行結(jié)構(gòu)特征的提取。

GLCM是描述圖像紋理的常用方法，涉及探索灰度的空間相關(guān)特征以及像素間的空間分布關(guān)系，具有較強(qiáng)的魯棒性和適應(yīng)性。為滿足不同數(shù)據(jù)變化檢測(cè)的需要，采用4種灰度共生矩陣統(tǒng)計(jì)量來(lái)提取紋理特征，即方差(variance)、熵(entropy)、相關(guān)性(correlation)和差異性(dissimilarity)。為綜合選取最佳的紋理特征，分別以3×3、5×5和7×7的像元窗口大小提取T1時(shí)相和T2時(shí)相遙感影像的紋理信息，各獲得12個(gè)紋理特征。

2)最優(yōu)特征選擇。在提取結(jié)構(gòu)和紋理特征后使用直接疊加的方式構(gòu)建雙時(shí)相影像的多特征集，即組合成13×1維的特征向量。對(duì)雙時(shí)相的特征集進(jìn)行歸一化處理后，分別對(duì)它們進(jìn)行主成分變換。將其映射為k維線性無(wú)關(guān)的變量，這k維分量為正交特征且被稱為主成分。第一主成分是原始數(shù)據(jù)中方差最大的方向，其余成分的方差值依次遞減，同時(shí)與第一主成分正交。本文k取3，變換后的前3個(gè)主分量保留了原始圖像最豐富的特征信息。進(jìn)行最優(yōu)特征選擇后構(gòu)造差值特征主成分，并采用自適應(yīng)閾值確定算法進(jìn)行二值分類，得到結(jié)構(gòu)和紋理特征的變化檢測(cè)結(jié)果。

1.3 融合多特征的變化檢測(cè)

多時(shí)相遙感影像的光譜差異能反映地物內(nèi)部的變化，而結(jié)構(gòu)和紋理差異則能揭示物體的邊緣幾何信息，對(duì)檢測(cè)建筑物和小地物的變化意義重大。為充分利用影像的空間信息，采用邏輯運(yùn)算對(duì)多特征的初始變化檢測(cè)結(jié)果進(jìn)行融合。原則是當(dāng)檢測(cè)結(jié)果中相同位置的像素值都為0時(shí)，將其視為不變像素。否則，判定其為變化像素。這樣既保證了變化檢測(cè)的總體精度，又保留了完整的真實(shí)變化區(qū)域。

采用數(shù)學(xué)形態(tài)學(xué)算子對(duì)結(jié)果進(jìn)行后處理優(yōu)化，消除大量椒鹽噪聲，補(bǔ)全碎片化的變化區(qū)域。主要步驟是先進(jìn)行形態(tài)學(xué)閉運(yùn)算，后進(jìn)行形態(tài)學(xué)開運(yùn)算。形態(tài)學(xué)閉運(yùn)算是借助結(jié)構(gòu)元素對(duì)圖像進(jìn)行先膨脹后腐蝕的操作，目的是填充孔洞間隙以形成相聯(lián)系的閉合區(qū)域。形態(tài)學(xué)開運(yùn)算則是對(duì)圖像進(jìn)行先腐蝕，后膨脹的運(yùn)算，作用是消除孤立檢測(cè)噪聲的同時(shí)獲得邊界完整的變化區(qū)域。結(jié)構(gòu)元素的選擇決定結(jié)果的精度，因此要根據(jù)實(shí)際情況合理設(shè)置結(jié)構(gòu)參數(shù)。

2 結(jié)果與討論

2.1 實(shí)驗(yàn)數(shù)據(jù)

為驗(yàn)證本文算法的適用性和有效性，選擇3組遙感影像數(shù)據(jù)進(jìn)行變化檢測(cè)實(shí)驗(yàn)，涉及不同分辨率、不同傳感器和不同地物的變化情況。每組數(shù)據(jù)集在實(shí)驗(yàn)前都經(jīng)過了圖像配準(zhǔn)和輻射校正等預(yù)處理。如圖2所示，各數(shù)據(jù)集都包括兩幅雙時(shí)相遙感影像和一幅參考地物變化圖，參考變化圖由專家根據(jù)目視解譯手動(dòng)勾畫，白色為變化區(qū)域，黑色為不變區(qū)域。

圖2 用于變化檢測(cè)的3組實(shí)驗(yàn)數(shù)據(jù)

第1組實(shí)驗(yàn)數(shù)據(jù)為SZADA數(shù)據(jù)集[19]，該數(shù)據(jù)包含在2000年和2005年拍攝的兩期空間分辨率為1.5 m的光學(xué)航空?qǐng)D像，影像大小為952像素×640像素。主要變化類別為裸地和植被，野外代表性強(qiáng)。第2組實(shí)驗(yàn)數(shù)據(jù)為側(cè)視影像數(shù)據(jù)集[20]，該數(shù)據(jù)集來(lái)源于以不同偏離最低點(diǎn)角度捕獲的2017年和2020年的農(nóng)村地區(qū)的側(cè)視衛(wèi)星遙感影像，圖像大小為1 024像素×1 024像素，空間分辨率為0.5～0.8 m。經(jīng)人工判讀可以發(fā)現(xiàn)，兩期影像中的變化信息涵蓋大量建筑區(qū)域的新建和拆除，使用此數(shù)據(jù)可以測(cè)試本文算法對(duì)人工地物的檢測(cè)能力。第3組實(shí)驗(yàn)數(shù)據(jù)為2015—2018年間獲取的中國(guó)香港地區(qū)的哨兵2號(hào)衛(wèi)星影像[21]，影像大小為540像素×695像素，分辨率為10 m。該數(shù)據(jù)集涉及裸地、植被、建筑和道路等多個(gè)變化類別，變化信息豐富。對(duì)這3組數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，測(cè)試本文算法的綜合檢測(cè)性能。

2.2 實(shí)驗(yàn)設(shè)計(jì)

為更好地評(píng)估本文方法的檢測(cè)性能，設(shè)計(jì)兩組對(duì)比實(shí)驗(yàn)進(jìn)行分析。第1組實(shí)驗(yàn)：將本文方法與3種基于灰度信息的變化檢測(cè)方法(IRMAD、ISFA、PCA)進(jìn)行對(duì)比，比較融合多特征的方法與基于光譜特征的方法在變化檢測(cè)中的性能差別。第2組實(shí)驗(yàn)：與經(jīng)過最大投票融合得到的光譜變化結(jié)果、僅使用光譜差分和GLCM紋理的結(jié)果進(jìn)行對(duì)比，驗(yàn)證本文綜合考慮多特征進(jìn)行變化檢測(cè)框架的有效性。其中光譜+紋理變化檢測(cè)的基本思路是疊加多波段影像的光譜差異和紋理差異形成特征差異圖像，而后經(jīng)過閾值分割和后處理得到變化區(qū)域。

應(yīng)用3組數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，相關(guān)的參數(shù)設(shè)置如下：在 IRMAD和ISFA 迭代中，最大迭代次數(shù)為100，收斂閾值為1E-5。提取HOG特征時(shí)，考慮到實(shí)際情況和適用性，將3組數(shù)據(jù)集中每個(gè)細(xì)胞單元的像素?cái)?shù)分別設(shè)置為12、10和15。實(shí)驗(yàn)研究證明，當(dāng)形態(tài)學(xué)開運(yùn)算的結(jié)構(gòu)元素略大于閉運(yùn)算時(shí)，可以獲得理想的結(jié)果[18]。因此，經(jīng)多次實(shí)驗(yàn)后，將第1、2組數(shù)據(jù)中形態(tài)學(xué)開運(yùn)算和閉運(yùn)算的卷積核設(shè)置為7像素×7像素和5像素×5像素。由于第3組數(shù)據(jù)中的遙感影像涉及不同地物的變化信息，經(jīng)實(shí)驗(yàn)后設(shè)置其開運(yùn)算和閉運(yùn)算的結(jié)構(gòu)元素為6像素×6像素和4像素×4像素。

本文選取5項(xiàng)指標(biāo)進(jìn)行精度評(píng)價(jià)，包括漏檢率、誤檢率、總體精度、Kappa系數(shù)和F1分?jǐn)?shù)。當(dāng)誤檢率和漏檢率越低，總體精度、Kappa系數(shù)和F1分?jǐn)?shù)越高時(shí)，說(shuō)明錯(cuò)誤檢測(cè)的像元數(shù)越少，變化檢測(cè)的精度越高。

2.3 實(shí)驗(yàn)結(jié)果與分析

根據(jù)上述思路，分別對(duì)3組數(shù)據(jù)進(jìn)行對(duì)比實(shí)驗(yàn)，檢測(cè)結(jié)果如圖3所示。從檢測(cè)結(jié)果中可以看出，IRMAD法可以檢測(cè)出大部分的變化區(qū)域，但仍存在一些明顯的椒鹽噪聲和誤檢現(xiàn)象。由于都使用了迭代加權(quán)思想，ISFA算法的性能與 IRMAD相似，但I(xiàn)SFA方法虛警率較高，變化物體內(nèi)部的完整性較差。3組數(shù)據(jù)的實(shí)驗(yàn)結(jié)果證明了PCA方法在檢測(cè)出較完整的變化區(qū)域的同時(shí)，也產(chǎn)生了大范圍的誤檢區(qū)域，嚴(yán)重影響檢測(cè)精度。這是因?yàn)榻?jīng)主成分變換后，前后遙感影像間的有用信息盡可能多地被保留，但因光照條件或輻射差異造成的誤檢現(xiàn)象無(wú)法消除。IRMAD、ISFA和PCA方法利用的是像元間的灰度差異來(lái)檢測(cè)變化像素，對(duì)光譜信息敏感。可以看到，檢測(cè)結(jié)果中變化物體的邊緣輪廓不夠清晰，內(nèi)部存在大量孔洞間隙。特別是對(duì)于第2組數(shù)據(jù)，由于圖像中涉及大量建筑物的變化，僅基于灰度差異的方法檢測(cè)效果不佳，虛警現(xiàn)象十分明顯，且PCA方法對(duì)建筑物變化的檢測(cè)效果較差。與這3種灰度變換方法相比，經(jīng)MV策略決策分析后的結(jié)果可以保留最真實(shí)變化的像素，減少噪聲干擾且得到最優(yōu)的光譜變化結(jié)果。相較于灰度變化檢測(cè)方法，結(jié)合光譜和紋理特征的檢測(cè)結(jié)果能獲得更準(zhǔn)確的變化地物，但紋理特征加入的同時(shí)也增多了誤檢區(qū)域。綜合各特征檢測(cè)結(jié)果的優(yōu)勢(shì)，有效提取正確變化的圖像信息。可以看出，相較于以上方法，本文檢測(cè)結(jié)果的形狀邊界更加清晰，自然地物和人工地物的變化都能精確獲取，并且有效消除了椒鹽噪聲現(xiàn)象，檢測(cè)效果與參考變化圖最為相似。

圖3 3組數(shù)據(jù)的變化檢測(cè)結(jié)果

不同方法的精度評(píng)價(jià)結(jié)果如表1所示。相較于IRMAD、ISFA和PCA法，經(jīng)決策融合后的光譜變化結(jié)果能有效降低誤檢率，提高檢測(cè)精度，為本文的多特征融合框架提供最佳的光譜變化信息。結(jié)合光譜差分和灰度共生矩陣紋理的方法，由于差分法提取的光譜信息會(huì)摻雜大量虛假變化，漏檢誤檢仍然存在。但是，紋理特征的加入對(duì)建筑物和道路等地物檢測(cè)有促進(jìn)作用，因此第3組數(shù)據(jù)檢測(cè)結(jié)果的總體精度、Kappa系數(shù)和F1分?jǐn)?shù)都有所提高。本文方法在3組數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果都得到了最低的誤檢和最高的總體精度、Kappa系數(shù)和F1分?jǐn)?shù)，變化檢測(cè)的精度最高。這是因?yàn)楸疚牡奶卣鬟x擇框架可以綜合挑選特征集中的最優(yōu)特征，得到紋理和方向梯度特征的最佳變化，再與上述的光譜特征變化相結(jié)合，得到遙感影像最全面的變化信息。相較于光譜檢測(cè)結(jié)果，紋理和HOG特征檢測(cè)結(jié)果的加入使地物邊界更加清晰，物體內(nèi)部更加完整。從精度評(píng)價(jià)的指標(biāo)可以看出，誤檢率和漏檢率下降0.003～0.144，總體精度提高0.528%～2.036%，Kappa系數(shù)和F1分?jǐn)?shù)提高0.037～0.197。與基于光譜和紋理的檢測(cè)結(jié)果相比，HOG特征的提取和最優(yōu)特征選擇框架的使用可以有效檢測(cè)出地物的變化情況。從精度指標(biāo)來(lái)看，本文方法的誤檢率和漏檢率下降0.018～0.166，總體精度提高2.119%～4.681%，Kappa系數(shù)和F1分?jǐn)?shù)提高0.063～0.270。此外，從第2組數(shù)據(jù)的檢測(cè)精度可以看出，本文方法對(duì)人工地物的檢測(cè)效果更佳。

從表1的精度評(píng)價(jià)結(jié)果中可以看出，第1～3組數(shù)據(jù)的總體精度均在92%以上且Kappa系數(shù)和F1分?jǐn)?shù)都最高，此精度評(píng)價(jià)結(jié)果與目視解譯結(jié)果相符。通過3組不同傳感器、不同分辨率遙感影像的變化檢測(cè)實(shí)驗(yàn)可以看出，本文方法可以有效集成多特征的優(yōu)勢(shì)，保留較準(zhǔn)確的地物變化信息，顯著提高變化檢測(cè)過程的適用性和魯棒性。

表1 不同方法的變化檢測(cè)精度

3 結(jié)束語(yǔ)

基于單一的光譜差異進(jìn)行變化檢測(cè)往往存在大量的椒鹽噪聲且檢測(cè)人工地物的精度不高，本文提出了一種聯(lián)合光譜、紋理和結(jié)構(gòu)特征的遙感影像變化檢測(cè)方法。通過最大投票策略融合3個(gè)獨(dú)立的光譜變化結(jié)果，得到真實(shí)的光譜屬性變化信息。而后構(gòu)建多尺度紋理和方向梯度的特征集，由最優(yōu)特征選擇和自適應(yīng)閾值獲取紋理和結(jié)構(gòu)特征的變化區(qū)域。最后基于邏輯運(yùn)算和形態(tài)學(xué)算子進(jìn)行變化信息的綜合，生成最終的變化圖斑。該方法既克服了基于灰度信息的變化檢測(cè)方法由于光照條件或輻射差異所造成的椒鹽噪聲，又可以獲得邊界清晰內(nèi)部完整的變化地物。通過3組涉及不同傳感器、不同分辨率以及不同地物變化的遙感影像數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，均取得了較高的精度。此外，與其他方法進(jìn)行對(duì)比實(shí)驗(yàn)分析，驗(yàn)證本文方法的魯棒性和適用性。實(shí)驗(yàn)結(jié)果表明，本文所提方法的優(yōu)點(diǎn)如下。

1)3種光譜變化檢測(cè)結(jié)果的決策融合，能夠很好地克服椒鹽噪聲的影響，獲得最優(yōu)的光譜差異信息。

2)光譜特性可以反映豐富的地物類別和屬性信息，而紋理和結(jié)構(gòu)特征則有助于顯示像元間的領(lǐng)域和空間關(guān)系。多種空間特征的加入很好地實(shí)現(xiàn)了特征間的優(yōu)勢(shì)互補(bǔ)，有助于獲得更加穩(wěn)健的變化結(jié)果，提高檢測(cè)精度。

3)對(duì)于建筑物等人工地物的檢測(cè)效果較好，可以獲得邊界清晰、內(nèi)部完整的變化區(qū)域。如何提高本文方法在更高分辨率遙感影像中的適用性以及有效融合更多的空間特征進(jìn)行變化檢測(cè)將成為下一步研究的重點(diǎn)。