对地表生态系统演变过程进行有效的监督对于生态文明建设和社会经济发展具有极其重要的意义。 目前以遥感技术、 计算机技术和数据通信技术等为支撑的对地观测技术可实现长时间、 周期性的对地观测, 并获取地表以及地物丰富的遥感信息, 从而为自动(或半自动)地对地表变化进行检测和分析奠定了基础^{[1, 2, 3, 4]}。 然而, 目前遥感影像变化检测技术主要针对多光谱遥感影像数据, 由于多光谱影像的光谱分辨率有限, 通常只能检测到导致像元光谱特征发生显著改变的地表变化。

高光谱遥感的出现改变了长期以来对地观测中几何信息获取能力高于属性信息获取能力的不均衡现象, 为实现统一的、 全方位的地物属性判别、 几何定位奠定了基础^{[5, 6]}, 同时高光谱影像所具有的“ 图谱合一” 特性和更精细的光谱分辨率, 以及多时相高光谱影像所提供的更加丰富和更为详细的光谱变化信息为进一步精细判断地表的变化提供了可能。

随着高光谱遥感技术的发展以及多时相高光谱影像数据的逐渐公开, 基于高光谱影像信息的对地表变化的精细检测受到重视并为诸如生态系统演化的精确分析、 自然灾害的精准评估和预警, 以及军事侦察目标的精准判断等实际应用所急需^{[7, 8, 9]}。 然而, 高光谱影像高复杂度的数据结构、 高维度的数据特征、 高冗余信息, 以及不同时相光谱信息对环境的敏感性极大地增加了多时相高光谱变化检测的难度, 传统的多光谱变化检测技术很难直接应用于高光谱影像, 这使得高光谱精细变化检测极具挑战性并成为当前的一个热点研究领域。

本文对高光谱影像变化检测技术的研究现状进行综述, 首先对高光谱成像技术的发展进行了概述; 然后以高光谱影像变化检测过程所采用的技术手段为脉络对高光谱影像变化检测的研究现状和动态进行综述; 最后对目前多时相高光谱影像变化检测中所面临的挑战进行提炼, 对进一步需要解决的问题进行了分析和展望。

高光谱遥感技术最早出现于20世纪80年代, 机载成像光谱仪的研制和使用是高光谱遥感发展的重要标志, 它在遥感成像获取地物空间和分布信息的同时, 又能获取近似连续的电磁波谱反射特性信息。 图1给出了高光谱影像示意图。 从成像技术而言, 高光谱遥感技术的发展主要包含了空间分辨率和光谱分辨率提升两个方面^[10]。 现有技术通常通过减少成像光谱仪的瞬时视场角来实现高光谱影像空间分辨率的提升, 同时通过减少高光谱影像每个波段的带宽进而实现波段数量的增加来提高光谱分辨率^{[11, 12, 13]}。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 高光谱影像示意图[6]Fig.1 Illustration of hyperspectral image

20世纪80年代初美国喷气推进实验室(Jet Propulsion Laboratory, JPL)首次研制出了第一台航空成像光谱仪AIS-1; 进而又研制出航空可见/红外光成像光谱仪(Airborne Visible Infrared Imaging Spectrometer, AVIRIS), 该光谱仪的空间分辨率达到了大约20 m, 同时可刻画出240~2 500 nm的光谱范围, 包含了224个波段。 AVIRIS的出现标志着高光谱遥感成像技术进入成熟期。 AVIRIS问世以来, 获取的大量对地观测数据已广泛应用于诸如土地利用调查、 矿物勘探、 地物识别等实际应用中。 随后高光谱数字成像采集仪(Hyperspectral Digital Imagery Collection Experiment, HYDICE)被研制, 其光谱范围为400~2 500 nm, 包括210个波段, 空间分辨率达到了0.75~3.75 m。

对地观测应用需求的不断增加以及传感技术的快速发展极大的促进了不同类型机载成像光谱仪研制, 并搭载与卫星发射, 如欧洲航天局(European Space Agency, ESA)发射的PROBA-1 卫星上搭载了的紧凑型高分辨率成像光谱仪传感器CHRIS; 印度发射的HysIS卫星上也搭载了高光谱仪传感器HysIS; 意大利于2019年发射的PRISMA卫星搭载了PRISMA HSI高光谱传感器。

我国高光谱遥感成像技术方面的发展也得到了快速发展^{[14, 15]}, 中科院“ 八五” 期间研制了推扫式成像光谱仪(PHI), 其包含了244个波段, 光谱分辨率达到5 nm。 1999年, 实用型模块化机载成像光谱仪(Operative Modual Imaging Spectrometer, OMIS)被研制, 其具有64个光谱波段, 光谱范围为可见光到短波红外; 2002年中分辨率成像光谱仪(CMODIS)被研制; 2008年又研制了光谱范围为450~950 nm的高光谱光谱仪。 此外, 中国科学院西安光学精密机械研究所研制的星载成像光谱仪分别搭载在“ 嫦娥一号” 和“ 环境与减灾小卫星” 上并于2007年和2008年发射^[16]。 由北京欧普特科技有限公司研制的无人机载高光谱成像仪, 通过双周稳定平台及其测量控制软件整合小型无人机及控制装置、 全反射式的微型成像光谱仪和GPS 装置, 构成了能满足各行业需求的高光谱遥感成像系统。 2018年5月, 高分五号卫星(Gaofen-5, GF-5)^[17]成功发射, 该卫星作为一颗全谱段高光谱卫星首次实现了对大气和陆地的综合观测^[18]。 2019年, 我国成功发射ZY-1E卫星, 并搭载有高光谱探测器, 可获得涵盖400~2 500 nm波长范围的166个波段。 表1列出了现有主流高光谱卫星数据的发射时间与参数, 可以看出, 随着对地观测技术的发展, 各国发射高光谱卫星的数量在逐年增加, 同时在空间分辨率、 光谱分辨率以及刻画幅宽等各方面取得不断进展。

表1

Table 1

表1(Table 1)

表1 主要高光谱卫星数据 Table 1 Existing hyperspectral data 卫星 国家 发射时间 高光谱传感器 空间分辨率/m 波段数 波段范围 幅宽/km EOSAM-1 美国 1999.12 MODIS 250/500/1 000 36 400~1 400 2 230.0 EO-1 美国 2000.11 Hyperion 30 242 356~2 578 7.7 PROBA-1 欧盟 2001.10 CHRIS 17/34 80 400~1 050 14.0 ADEOS-2 日本 2002.12 GLI 250/100 34 280~11 950 1 600.0 HJ-1A 中国 2008.09 HSI 100 115 450~950 50.0 OHS高光谱卫星 中国 2018.04 CMOS 10 32 400~1 000 150.0 GF-5 中国 2018.05 AHSI 30 330 400~2 500 30.0 ISS* 德国 2018.07 DESIS 30 235 400~1 000 - HysIS 印度 2018.11 HysIS 30 326 400~2 500 30.0 PRISMA 意大利 2019.03 PRISMAHSI 30 185 400~2 500 30.0

表1 主要高光谱卫星数据 Table 1 Existing hyperspectral data

目前高光谱遥感技术已进入了一个能够快速提供多种对地观测数据的新阶段, 高光谱遥感影像的高分辨率特性可提供更为丰富的地物细节信息, 根据不同谱段不同物质具有不同性质这一特点, 可以利用其对地物进行识别, 这在诸如生态、 地质、 火灾、 环境调查和监控以及资源分配等多个应用领域凸显了巨大的应用潜力^{[19, 20, 21]}。

遥感影像变化检测技术是指利用不同时间获取的覆盖同一地表区域的遥感影像及其他辅助信息确定和分析地表变化的过程。 随着高光谱遥感技术及计算机技术的快速发展, 基于多时相高光谱影像的变化检测技术受到关注并得到较快的发展^[22]。 2021年9月, 我们以“ hyperspectral change detection” 为索引词, 在科学网(Web of Science)上进行索引, 图2为文献发表量及引文量统计结果, 可以看出, 尽管高光谱影像变化技术尚处于起步阶段, 但随着全球航空航天及高光谱遥感技术的快速发展, 作为一个前沿领域受到高度重视并得到较快的发展^{[23, 6, 8]}, 每年发表论文的数量和引用量呈逐年上升的趋势, 特别是近三年(2018年至2021年)的表现较为明显。 目前从应用角度, 多时相高光谱变化检测技术可分为异常检测、 二项变化检测、 多项变化检测及时间序列变化检测; 从监督角度, 多时相高光谱变化检测技术可分为全监督、 半监督及无监督变化检测; 而从算法自动化角度, 多时相高光谱变化检测技术可分为全自动变化检测、 半自动变化检测和人工变化检测[8]。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 高光谱影像变化检测相关论文数量统计 (a): 每年出版的文献数; (b): 年引用量Fig.2 Statistics on the number of papers related to hyperspectral image change detection (a): Number of Publications per year; (b): Number of citations per year

本节以高光谱变化检测过程中所涉及的技术手段为主线, 分别从基于高光谱影像间广义相似度度量的传统高光谱影像变化检测方法、 基于降维的高光谱影像变化检测方法、 基于统计建模的高光谱影像变化检测方法、 基于分类方法的高光谱影像变化检测方法、 基于光谱解混的高光谱影像变化检测方法和基于深度学习的高光谱影像变化检测方法等六个方面对多时相高光谱影像变化检测方法进行分析和讨论。

随着高光谱遥感技术的快速发展和实际应用对地表变化精细检测需求的不断提高, 高光谱影像的变化检测技术受到重视。 从以上分析可以看出, 目前高光谱影像变化检测方法都是传统低光谱维遥感影像变化检测方法的推广。 然而不同于低光谱维遥感影像, 高光谱遥感影像的高维度数据特征、 高冗余信息以及不同时相光谱信息对环境、 噪声的敏感性都极大地增加了其变化检测难度, 传统低光谱维遥感影像的变化检测方法很难有效的直接应用于高光谱影像。 总体而言, 目前的高光谱影像的变化检测技术对多时相高光谱影像的针对性还不是很强, 对其自身特性的利用还不够充分。 目前多时相高光谱影像变化检测方法还面临如下具有挑战性的问题:

(1) 多时相高光谱影像“ 时-空-谱” 联合特征的有效提取问题

多时相高光谱影像在时间维度、 空间维度、 光谱维度均存在较强特异特征以及关联性。 在时间维度方面, 不同时相的高光谱影像中不变区域往往存在较相似的统计特征、 纹理特征及光谱特征, 而在非突变类型的变化区域内各类特征也通常遵循某种变化规律^[65]; 在空间维度方面, 与自然图像及一般的遥感影像类似, 高光谱影像中也普遍存在着局部和非局部的纹理、 边缘、 结构相似的特点; 在光谱维度方面, 由于高光谱影像反映的是同一地物对不同波段的反射强度, 这样从客观上使得相邻波段影像中相同位置的像元幅值具有强相关性, 从而导致高光谱具有较强的谱间相关性。

目前尽管在变化检测问题中, 影像的多维度相关性如空间相关性、 空-谱相关性等已得到了一定程度的挖掘和应用^[66], 但现有方法往往只孤立的关注其中的一个或几个相关特性, 仍缺少对多维度特征的整体考虑, 尤其是普遍缺少对多维相关性间传递关系的定量研究。 近年来, 部分文献在高光谱影像特征提取建模时采用空间-光谱双分支网络架构^[67]或3DCNN网络^{[68, 69]}对高光谱影像中存在的空-谱关系进行建模。 然而, 一方面现有方法主要针对单时相高光谱影像分别进行建模, 缺乏从单时相模型到多时相模型的延拓; 另一方面, 现有方法大多对地物不同区域分配均衡权重, 而变化点可以看作感兴趣区域及特征, 现有方法对影像中存在的感兴趣特征利用不足。

(2) 多时相高光谱影像地物长距离依赖性问题

由于卷积神经网络通过卷积操作实现局部特征的刻画, 因此现有的基于CNN的多时相高光谱影像变化检测方法很难对多时相高光谱影像中距离较远像元点以及远距离波段之间存在的的远程依赖关系进行刻画^[70]。 为了解决上述问题, 部分文献采用自注意力模块对这种关系进行刻画。 然而, 一方面现有方法现有注意力机制仍然无法同时对输入多时相高光谱影像的位置信息和光谱信息同时进行约束, 这使得网络对位置信息极其不敏感; 另一方面, 基于CNN的高光谱影像的表征能力以及所提取特征的有效性极大程度上取决于所采用卷积神经网络中结构及卷积层中卷积核的设计。 然而, 由于大多数高光谱影像变化检测方法使用Patch作为网络输入, 其感受野面积一般较小, 因此卷积核的大小极大程度限制了卷积神经网络的设计^[71]。

Transformer起源于自然语言处理领域, 其不使用RNN序列和卷积操作来描述输入特征的长距离相关性, 从而允许对模型进行并行训练。 就多时相高光谱影像变化检测技术而言, 主要需要解决以下两个问题:

一是如何设计针对高光谱影像的Transformer网络架构。 Transformer网络采用多头自注意力机制代替卷积神经网络中的卷积操作, 对特征进行刻画。 对于高光谱影像变化检测任务, 像元点的变化会导致光谱信息的强烈变化, 因此在设计Transformer网络架构时, 应充分考虑光谱信息对网络结构的影响。

二是如何在刻画全局信息的过程不丢失局部信息。 Vision Transformer (ViT)在网络中仅采用Transformer结构, 如直接应用ViT于高光谱影像变化检测中, 会忽略高光谱影像中局部信息的刻画, 因此在设计网络时, 应考虑增加局部信息刻画模块, 提升网络精度。

(3) 监督训练集标注问题

有监督的深度学习方法被广泛应用于遥感影像处理任务中, 并表现出了很好的效果。 深度学习的成功很大程度要归功于大量的标记样本, 而这对于高光谱影像变化检测任务是非常困难的。 目前已有学者将稀疏自编码器、 深度置信网络应用于高光谱影像变化检测。 卷积神经网络方法可实现直接从像元中对多时相高光谱影像特征进行提取^{[72, 73]}, 而且由于卷积神经网络具有稀疏连接、 权值共享等特性, 从而可以利用较少的参数便能提取光谱与空间信息。 然而, CNN隶属于监督分类方法, 要想达到较高的分类精度通常需要大量的标记样本, 而对于多时相高光谱影像变化检测任务而言, 获得大量标签样本不仅繁琐, 而且代价很大^{[74, 75]}。 现有相关文献在将CNN应用于高光谱影像变化检测时通常采用随机初始化训练集进行训练, 而很少考虑构建高质量的训练集。 如何利用较少的标签样本提升变化检测精度是非常值得关注的问题。

主动学习机制^{[76, 77, 78, 79, 80]}作为机器学习分支的一个热门研究领域, 通过主动学习可以减少训练集的数量, 提高训练集的质量, 从而为解决监督训练集标注问题奠定了很好的基础。 然而, 在多时相高光谱影像变化检测中, 典型的主动学习策略对于较为显著的变化点通常可以获得较为精准的变化检测结果, 而当高光谱影像中出现较多不确定像元点时, 由于其倾向于选择接近当前判定边界的样本点, 而导致出现较大的偏差。 目前该领域有两个问题值得关注:

一是如何针对多时相高光谱影像的特性研究高效的主动学习机制。 主动学习效率主要通过迭代次数与每次需标记样本数来体现, 大场景下新类目标出现的可能性更大, 当待处理的场景区域变得非常大时, 必须设计特定的解决方案以避免过多的主动学习迭代过程。

二是如何筛选出最有效的样本。 对于主动学习过程, 成功地选择出目标数据分类判定边界对应的样本数据来给专家标记是主动学习策略的核心所在, 现有的方法主要是通过目标域聚类、 信息论标准等来实现潜在新样本数据的选择。 当主动学习应用到多时相高光谱影像变化检测时, 与之适应的更为复杂的学习策略就显得尤为必要了。