馮文卿，張永軍

武漢大學(xué)遙感信息工程學(xué)院，湖北 武漢430079

1 引 言

隨著遙感數(shù)據(jù)獲取手段的突飛猛進(jìn)和獲取周期的逐漸縮短，其應(yīng)用范圍越來越廣泛并且應(yīng)用需求日益擴大，這對遙感影像變化檢測技術(shù)提出了更高的要求和挑戰(zhàn)。目前，國內(nèi)外很多研究學(xué)者利用光學(xué)遙感影像，針對不同的變化檢測目標(biāo)，提出了很多的方法和有效模型［1－7］。這些變化檢測方法大致可以分為3類：像素級變化檢測、特征級變化檢測、對象級變化檢測［2］。傳統(tǒng)的變化檢測方法絕大多數(shù)都是屬于像素級別的，變化檢測的結(jié)果通常比較破碎，容易產(chǎn)生“椒鹽現(xiàn)象”。這些方法對圖像的配準(zhǔn)精度、輻射校正具有較高要求，同時依賴于閾值的選?。?，8－10］，因此在實際應(yīng)用中會受到諸多的限制。而對象級變化檢測是以具有一定概念的地物對象作為基礎(chǔ)的，這些對象是在空間上相鄰、光譜相似的同質(zhì)區(qū)域，具有光譜、形狀、紋理、上下文等特性［11－13］，在檢測過程中具有較高的檢測精度和穩(wěn)健性，代表了變化檢測的主要方向。

目前，對象級影像分析在變化檢測中的應(yīng)用獲得了一定的進(jìn)展，許多學(xué)者將面向?qū)ο蟮姆指罘椒☉?yīng)用于對象級變化檢測中?；趯ο蟮淖兓瘷z測方法，常用的大致可以分為以下兩類：一類是先進(jìn)行面向?qū)ο蠓诸?，而后進(jìn)行變化檢測［1－2，4］，即分類后比較法；第二類是對象的變化向量分析法［6－7，12］，即直接比較法。其中第二類方法簡單易實現(xiàn)，在實際中得到了廣泛的應(yīng)用。由于它和基于像素的方法在思路上沒有本質(zhì)的差別，主要不同體現(xiàn)在對像素的向量分析變成了對象的向量分析。由于對象的變化向量分析法可以有效地利用對象的多種特征參與分析，比如光譜信息、紋理信息、對象間的拓?fù)湫畔⒌?，這樣檢測的結(jié)果更準(zhǔn)確更穩(wěn)?。?］。但是，對象級變化檢測的結(jié)果嚴(yán)重依賴于分割尺度的確定，如何客觀地對分割結(jié)果進(jìn)行評價，獲取最優(yōu)的分割尺度，避免主觀因素的影響，就顯得尤為重要［14］。針對此問題，本文提出一種基于多尺度分割與融合的對象級變化檢測方法。

2 方法介紹

為了減輕不同時期的光學(xué)影像輻射值差異對變化檢測精度的影響，通常在變化檢測之前進(jìn)行輻射校正，本文采用直方圖匹配法來進(jìn)行相對輻射校正［12］。接著，本文采用eCognition軟件進(jìn)行多尺度分割來獲取對象，并以此作為變化檢測分析的基礎(chǔ)［15］。通過探討不同地物類別的最優(yōu)分割尺度，獲取合適的尺度值，并將分割結(jié)果與兩時相影像一一對應(yīng)。最后，將多個尺度下得到的基于光譜和紋理特征的變化強度圖進(jìn)行量化和OTSU閾值分割，并采用模糊融合、決策級融合方法，以便于將不同尺度下得到的變化檢測結(jié)果進(jìn)行綜合，得到包含變化位置與變化強度信息的檢測結(jié)果。具體流程如圖1所示。

圖1 變化檢測流程圖Fig.1 Change detection flow chart

2.1 光譜與紋理特征差值的計算

2.1.1 光譜特征差值

對象的光譜信息主要包括對象的均值、標(biāo)準(zhǔn)差、比率、亮度等特征，本文僅采用對象的均值和標(biāo)準(zhǔn)差特征來進(jìn)行差值計算，公式如下

式中，i為波段個數(shù)。

2.1.2 紋理特征差值

Haralick等根據(jù)灰度共生矩陣定義了14種紋理特征，經(jīng)常用于提取遙感圖像中紋理信息的特征統(tǒng)計量主要有：均值、標(biāo)準(zhǔn)差、對比度、熵、同質(zhì)性、相關(guān)性、角二階矩、非相似性等。上面的幾種紋理特征中，紋理熵值是圖像信息量的度量，表征了圖像中紋理的復(fù)雜程度，圖像的紋理越復(fù)雜，熵值越大；反之越小。因此，綜合考慮本文將紋理熵值作為變化檢測的指標(biāo)之一來進(jìn)行差值計算，計算公式如下

式中，i為波段個數(shù)。

2.2 最佳波段選擇

通常波段的標(biāo)準(zhǔn)差和波段間的相關(guān)系數(shù)是衡量信息量和相關(guān)性的最好指標(biāo)，因此常用于計算最優(yōu)波段組合的公式是

此公式即為最佳波段指數(shù)——OIF指數(shù)。本文通過提取各個波段上的光譜均值、標(biāo)準(zhǔn)差差異圖以及紋理熵差異圖，并計算它們在每個波段上的標(biāo)準(zhǔn)差，其中f對應(yīng)于以上3個特征；是f特征差異圖在波段i和波段j之間的相關(guān)系數(shù)，N是波段總數(shù)［16］。這種方法由美國學(xué)者查維茨提出，其理論依據(jù)是：波段組合中數(shù)據(jù)的標(biāo)準(zhǔn)差越大，其所包含的信息量也越多；而波段間的相關(guān)系數(shù)越小，表明各波段數(shù)據(jù)的獨立性也就越高，信息的冗余度也就越小。它將標(biāo)準(zhǔn)差和相關(guān)系數(shù)有效統(tǒng)一起來，為最佳波段的組合提供了判斷依據(jù)［17］。本文應(yīng)用OIF指數(shù)從光譜均值、標(biāo)準(zhǔn)差以及紋理熵特征波段有可能的組合中分別找出合適的波段組合，并依據(jù)OIF指數(shù)最大的原則，來尋找光譜與紋理特征差值的最佳波段組合。

2.3 模糊融合分析

首先確定4個尺度上變化強度圖Yk中的變化強度觀測值Yk（i，j）相對于變化類別wc的隸屬度μcYk（i，j（））和相對于非變化類別wu的隸屬度μuYk（i，j（））。常見的偏大型的S型隸屬度函數(shù)在影像模糊分割處理時具有良好的魯棒性和準(zhǔn)確性［20］，因此本文采用此函數(shù)來計算隸屬度μcYk（i，j（））的值

式中，bk＝（ak＋ck）/2，μc（bk）＝0.5，參數(shù)ck取為各個尺度變化強度圖經(jīng)過OTSU閾值分割時所確定的值，即ck＝Tk，參數(shù)ak＝0.8Tk。這樣就保證了原有4個尺度中的變化信息經(jīng)過模糊變換后的隸屬度值為1，其中變化強度觀測值Yk（i，j）相對于非變化類別wu的隸屬度μu（Yk（i，j））為：μu（Yk（i，j））＝1－μc（Yk（i，j））。顯然，變化強度觀測值Yk（i，j）相對于變化類別wc和非變化類別wu的隸屬度滿足：0≤μc（Yk（i，j））≤1，0≤μu（Yk（i，j））≤1，0≤μu（Yk（i，j））≤1。若μc（Yk（i，j））值越接近1，則變化強度觀測值Yk（i，j）屬于變化類別wc的可能性就越大；反之，屬于非變化類別wu的可能性就越大［21］。4個尺度下的模糊關(guān)系矩陣為

本文采用自適應(yīng)的方法來給各個尺度下的結(jié)果賦予權(quán)重［21］，公式如下

式中，σp是第p個尺度下變化檢測結(jié)果的標(biāo)準(zhǔn)差；Wp是第p個尺度變化檢測結(jié)果的權(quán)重。根據(jù)模糊加權(quán)線性變換得

式中，μc，ij和μu，ij分別是4個尺度變化信息經(jīng)過模糊融合后像元（i，j）屬于變化類別和非變化類別的綜合可能性。根據(jù)最大隸屬度準(zhǔn)則，當(dāng)μc，ij＜μu，ij時目標(biāo)對象沒有變化，當(dāng)μc，ij≥μu，ij時目標(biāo)對象發(fā)生變化。

2.4 決策級融合分析

方案1：將4個尺度上的變化強度圖進(jìn)行OTSU閾值分割，檢測結(jié)果中變化的像素和非變化像素的值分別用1和0來表示。本文通過建立如圖2所示的決策二叉樹對4個尺度上的變化檢測結(jié)果進(jìn)行融合，并將最終結(jié)果的所有像元劃分定義成5類，如表1所示。

圖2 決策二叉樹Fig.2 Decision binary tree

表1 決策級融合規(guī)則Tab.1 Rule of decision－level fusion

方案2：首先對4個尺度上對象的變化向量模值進(jìn)行升序排列，然后采用下面的指數(shù)函數(shù)形式對4個尺度上的變化向量模值進(jìn)行曲線擬合

式中，a1、b1、a2、b2為擬合系數(shù)。

本文根據(jù)4個尺度的擬合函數(shù)，定義了以下變化強度以便于將變化差異圖量化為－2～2之間，采用下面的分段函數(shù)形式，假設(shè)平均步長為Δ＝其中x∈［1，numc］且x為整數(shù)，numc分別為4個尺度上像斑的總數(shù)。那么量化后的值W為

其中未變化（unchanged，UC）的區(qū)域值為－2，微弱變化（faint change，F(xiàn)C）的區(qū)域值為－1，中等變化（medium change，MC）的區(qū)域值為0，明顯變化（obvious change，OC）的區(qū)域值為1，強烈變化（strong change，SC）的區(qū)域值為2［12］。為了綜合各個尺度下的變化檢測結(jié)果，本文利用多值邏輯建立決策融合規(guī)則［23］，首先將Level1和Level3兩個尺度的檢測結(jié)果融合成一幅變化強度圖，然后對Level2和Level4兩個尺度的檢測結(jié)果融合成另一幅變化強度圖，最后對這兩幅變化強度圖進(jìn)行融合，以便于綜合性地檢測變化發(fā)生的位置以及變化的強度。

該決策級融合規(guī)則對應(yīng)于一個5值的邏輯函數(shù)F（x，y），圖3是F（x，y）與x、y的關(guān)系圖。本文所設(shè)計的決策級融合規(guī)則如圖4所示，當(dāng)兩個尺度的變化強度大時，那么融合的變化強度也應(yīng)較大，反之亦然。圖中F（x，y）的總體趨勢是隨著x＋y的值增大而增大，例如：當(dāng)F（x，y）＝2時，此時x＋y＝3或x＋y＝4，說明x、y中至少有一個是強烈變化的區(qū)域，另一個至少為明顯變化的區(qū)域，融合規(guī)則定義合成強度就應(yīng)該為強烈變化，這樣才能充分體現(xiàn)兩個尺度的變化強度信息［12］。

圖3 邏輯函數(shù)F（x，y）Fig.3 Logical function F（x，y）

圖4 定義變化強度的決策樹規(guī)則Fig.4 Decision tree rule to define change intensity

3 試驗結(jié)果與分析

3.1 試驗數(shù)據(jù)

本文變化檢測試驗采用的遙感影像數(shù)據(jù)為2006年和2007年獲取的廣州市某區(qū)域SPOT5多光譜影像，包含紅、綠、藍(lán)3個波段，分辨率為2.5m，影像大小為916像素×1096像素，如圖5所示。兩期影像的地物類型豐富，測試區(qū)主要由水田、裸地、建筑物、道路、聚落、綠地6類地物構(gòu)成，而且影像的分辨率較高。在對影像進(jìn)行多尺度分割的過程中，如果分割尺度適宜的話，那么分割得到的多邊形能夠?qū)⒛撤N地物類型的邊界勾畫清楚，且分割的對象不太破碎［12］。本文采用eCognition軟件對疊合影像進(jìn)行多尺度分割來獲取像斑，并針對道路、水田，建筑物頂、聚落、綠地、裸地6類不同地物的大小，根據(jù)“類內(nèi)同質(zhì)性大，類間異質(zhì)性大”的最佳分類原則，來探討這些特定地物類別的最優(yōu)分割尺度。

圖5 試驗數(shù)據(jù)集Fig.5 Dataset used in the experiment

本文在對文獻(xiàn)［18—19］中所提出方法的基礎(chǔ)上，對其進(jìn)行改進(jìn)，將多波段影像分割前設(shè)置的權(quán)重引入與鄰域絕對均值差分方差比（ratio of mean difference to neighbors（ABS）to standard deviation，RMAS）［19］的計算過程中。RMAS是指對象與鄰域均值差分絕對值與對象標(biāo)準(zhǔn)差之間的比值，改進(jìn)后的公式為

式中，L為影像的波段數(shù)；tL為分割時波段的權(quán)重；ΔCL為單個波段上對象與鄰域均值差分絕對值；SL為單個波段上對象的標(biāo)準(zhǔn)差；CLi為L波段上i像素點灰度值為所關(guān)心影像對象的圖層平均值；n為影像對象內(nèi)的像素點個數(shù)；u為與目標(biāo)對象直接相鄰的對象個數(shù)；q為目標(biāo)對象的邊界長度；qsi為目標(biāo)對象與第i個直接相鄰對象的公共邊界長度為第i個直接相鄰對象的圖層平均值［19］。

當(dāng)分割尺度較小時，對象內(nèi)含有相同的地物，對象的SL值較小，相鄰的對象彼此屬于同一類別而具有很強的空間依賴性，此時對象的ΔCL及RMAS的值均較小；當(dāng)分割尺度接近類別對象時，對象內(nèi)含有相同的地物，對象的SL值小，相鄰的對象屬于不同類別而使空間依賴性減弱，此時對象的ΔCL及RMAS的值均較大；當(dāng)分割尺度進(jìn)一步增大時，對象內(nèi)都會含有其他類別的地物，對象的SL值變大，與鄰域?qū)ο蟮目臻g依賴性也會增大，此時對象的ΔCL及RMAS的值均開始減?。?9］。在試驗過程中，在每個尺度上對每類地物選取一定數(shù)目的樣本來計算不同尺度上特定地物對象的RMAS值，并以對象的RMAS值為y軸，影像分割尺度值為x軸，繪制了不同對象的RMAS值隨分割尺度變化的折線圖，如圖6所示。最終，不同地物類別信息提取的最優(yōu)尺度可以通過影像對象的RMAS折線圖選擇。

從圖6中可以判斷出：水田、裸地、建筑物、道路、聚落、綠地的最優(yōu)分割尺度分別為20、45、60、60、80和90。此外，從RMAS折線圖可以看出，有些地物曲線會出現(xiàn)多個局部峰值的情況，更進(jìn)一步說明適合每一種地物的最優(yōu)尺度是相對的，通常在一個數(shù)值范圍內(nèi)。本文選取了其中4個尺度 Level1、Level2、Level3、Level4（尺度20、45、60、80）上的分割結(jié)果，進(jìn)行光譜與紋理特征差值的最佳波段指數(shù)計算，它們的結(jié)果如圖7所示。

圖6 RMAS折線圖Fig.6 The line chart of RMAS

圖7 OIF指數(shù)示意圖Fig.7 The sketch map of OIF index

由圖7（a）、（b）可以看出，光譜均值和紋理熵差值，單個波段的OIF指數(shù)較低，兩個波段時OIF指數(shù)整體較高，其中波段1、2組合時OIF指數(shù)處于峰值。隨著波段數(shù)增多，OIF指數(shù)反而有下降的趨勢，當(dāng)波段組合為1、2、3時，OIF指數(shù)明顯降低。由此可見并不是波段數(shù)越多，其信息量越大。同理，在圖7（c）中，光譜均值和紋理熵差值在波段1、2組合時OIF指數(shù)處于峰值，而光譜標(biāo)準(zhǔn)差差值在波段1、3組合時OIF指數(shù)處于峰值；在圖7（d）中，光譜均值差值在波段1、2組合時OIF指數(shù)處于峰值，而光譜標(biāo)準(zhǔn)差和紋理熵差值在波段1、3組合時OIF指數(shù)處于峰值。在4個尺度上分別應(yīng)用OIF指數(shù)，尋找光譜與紋理特征差值的最佳波段組合，之后通過構(gòu)造對象的差值向量，利用基于對象的變化向量分析法來構(gòu)造4個尺度上的差異影像。

3.2 變化檢測結(jié)果與精度評定

為綜合驗證本文提出的3種融合策略的可行性和有效性，通過SPOT－5多光譜影像數(shù)據(jù)集來進(jìn)行試驗，兩期影像地物的變化類型豐富。而且，在影像的覆蓋范圍內(nèi)，典型地物主要由農(nóng)業(yè)用地、聚落、裸地和建筑物等構(gòu)成，通過對兩期影像中不同地物的光譜變化，可以觀察出主要的變化為農(nóng)業(yè)用地與裸地、建筑物之間的相互轉(zhuǎn)換以及不同裸地之間的相互轉(zhuǎn)換等。

3種融合策略的結(jié)果如圖8所示。其中，圖8（a）為對4個尺度變化信息進(jìn)行模糊融合的最終變化檢測結(jié)果；采用決策級融合方案1進(jìn)行變化檢測的結(jié)果如圖8（b）所示，最終的結(jié)果圖中包含了5類像素點；采用決策級融合方案2進(jìn)行變化檢測的結(jié)果如圖8（c）所示，最終的結(jié)果圖不僅反映了發(fā)生變化像素的位置信息并且反映出了其變化強度的信息。為了將兩種決策級融合方法的結(jié)果方便與模糊融合的結(jié)果進(jìn)行比較，將圖8（b）中未發(fā)生變化的像元（Class0）和僅只在一個尺度上發(fā)生變化的像元（Class1）視為不變化的，其余像元視為變化的，那么決策級融合方法1的二值化結(jié)果如圖9（a）所示。同理，如果將圖8（c）中未變化與微弱變化區(qū)域視為不變化，其余視為變化的區(qū)域，那么決策級融合方法2的二值化結(jié)果如圖9（b）所示。

圖8 多尺度融合結(jié)果Fig.8 The results of Multi－scale fusion

圖9 變化檢測結(jié)果Fig.9 The results of change detection

最后，將本文利用多尺度融合的方法與常用的基于像元的變化檢測方法如變化向量分析（CVA）、主成分分析（PCA）、獨立主成分分析（ICA）、相關(guān)系數(shù)法的結(jié)果進(jìn)行了比較，檢測結(jié)果的精度指標(biāo)如下表2所示。由于基于像元的相關(guān)系數(shù)法變化檢測結(jié)果較優(yōu)，所以本文只給出了相關(guān)系數(shù)的結(jié)果，如圖9（c）所示。從中可以看出相關(guān)系數(shù)法出現(xiàn)了比較嚴(yán)重的“椒鹽現(xiàn)象”，分析主要原因在于該方法對圖像的配準(zhǔn)精度、輻射校正等具有較高要求，同時依賴于閾值的選?。欢?，圖像的噪聲對變化檢測結(jié)果的影響也較大。從表2給出的變化檢測精度表中可以看出本文所提出的3種多尺度融合策略，其總體精度、虛檢率、漏檢率、Kappa系數(shù)都要優(yōu)于這些常規(guī)的基于像元的變化檢測方法。

表2 變化檢測精度評價Tab.2 Precision of change detection

從表2中可以看出：

（1）3種多尺度融合的變化檢測方法，檢測精度都優(yōu)于基于像元的變化檢測方法。其中模糊融合、兩種決策級融合方法的總體精度和Kappa系數(shù)分別達(dá)到90.81%和0.820 2，90.75%和0.812 0，91.15%和0.821 1，3種方案的總體精度比基于像元的方法提高近10%左右。基于像元的方法其Kappa系數(shù)在0.4～0.6之間，而本文3種融合方案其Kappa系數(shù)在0.8～1之間，效果得到很大程度改善。

（2）3種多尺度融合方法各具優(yōu)勢。由于細(xì)尺度上的分割結(jié)果較為破碎，對面積較小的地物分割效果好，而聚落群，農(nóng)業(yè)用地等形狀大的地物在粗尺度上分割結(jié)果較好，模糊融合方法將4個尺度上變化檢測結(jié)果的方差引入權(quán)重的計算過程中，它們的權(quán)重分配依次為為：0.165、0.206、0.261、0.368，最終結(jié)果實現(xiàn)了4個尺度上的變化信息有效集中和準(zhǔn)確提取，表3的檢測精度數(shù)據(jù)也證實了這種情況。決策級融合方案1依賴于每個尺度上的變化強度值經(jīng)過OTSU閾值分割的結(jié)果，對4個尺度上的變化信息進(jìn)行的是簡單的像素級上的綜合，將出現(xiàn)在兩個尺度及兩個尺度以上變化的像元視為最終變化，其余視為不變化，相對于模糊融合方法來說降低了誤檢率，但是虛檢率卻變大了，總體精度略低于模糊融合方法。因此在實際應(yīng)用中，如果融合尺度選擇不恰當(dāng)或者閾值分割結(jié)果不好，對最終的融合效果影響會較大。

（3）決策級融合方案2通過定義5種變化強度將變化差異圖進(jìn)行量化，代替了閾值分割的過程，通過多值邏輯函數(shù)來建立決策級融合規(guī)則，有效集成了4個尺度上的變化信息，最終結(jié)果不僅反映了發(fā)生變化像素的位置信息并且反應(yīng)出了其變化強度的信息。而且，方案2其總體精度最高，虛檢率、漏檢率都好于方案1。

（4）此外，基于面向?qū)ο蟮淖兓瘷z測結(jié)果區(qū)域都較為規(guī)整，并且多數(shù)對象對應(yīng)著具有實際物理意義的目標(biāo)區(qū)域，而像素級的變化檢測結(jié)果則存在著大量的椒鹽噪聲，且區(qū)域較為破碎，導(dǎo)致整體檢測效果不佳。

4 結(jié)束語

本文提出了一種基于多尺度分割與融合的對象級變化檢測新思路，該方法為多個尺度上的變化信息融合提供了一種有效途徑。與傳統(tǒng)的像素級變化檢測方法相比，針對本文的試驗影像，利用這3種融合策略均取得了較好的結(jié)果，但是仍然存在以下不足：

（1）未能兼顧不同區(qū)域光譜和紋理信息的比重分配。本文在變化信息提取過程中，主要是將光譜信息和紋理信息進(jìn)行復(fù)合，然而不同的區(qū)域其光譜信息和紋理信息的變化程度可能有很大的差別，有的研究區(qū)域中大部分變化區(qū)域其光譜差異較大而其紋理差異較小，也可能相反。因此，應(yīng)該根據(jù)研究區(qū)的具體情況，將光譜因子和紋理因子的權(quán)重在對象的特征向量中加以調(diào)整，使得特征向量更加合理準(zhǔn)確。

（2）3種融合策略各具優(yōu)劣。模糊融合采用隸屬度函數(shù)的思想來描述漸變區(qū)域，但是對隸屬度函數(shù)參數(shù)及選取要求較高；決策級融合方案1在實際應(yīng)用中，如果融合尺度選擇不恰當(dāng)或者閾值分割結(jié)果不好，對最終的融合效果影響較大；方案2通過多值邏輯函數(shù)來建立決策級融合規(guī)則，變化強度值量化的過程對最終的融合效果影響較大。在提取變化區(qū)域之后，本文并沒有識別變化類型，這些工作將在今后的研究中不斷加以完善。

［1］SU Xiangqin，WU Wenbo，LI Haitao，et al.Land－use and Land－cover Change Detection Based on Object－oriented Theory［C］∥International Symposium on Image and Data Fusion（ISIDF）.Tengchong：IEEE，2011：1－4.

［2］HAZEL G G.Object－level Change Detection in Spectral Imagery［J］.IEEE Transactions on Geoscience and Remote Sensing，2001，39（3）：553－561.

［3］DAI Qin，LIU Jianbo，LIU Shibin.Remote Sensing Image Change Detection Using Particle Swarm Optimization Algorithm［J］.Acta Geodaetica et Cartographica Sinica，2012，41（6）：857－863.（戴芹，劉建波，劉士彬.微粒群優(yōu)化方法的遙感影像變化檢測研究［J］.測繪學(xué)報，2012，41（6）：857－863.）

［4］LIANG Hong.Classification of High Resolution Remote Sensing Image Based on Geo－ontology and Conditional Random Fields［C］∥TIAN Jinwen，MA Jie.Proceedings of SPIE 8921，MIPPR 2013：Remote Sensing Image Processing，Geographic Information Systems，and Other Applications.Wuhan：SPIE，2013.

［5］ZHONG Jiaqiang，WANG Runsheng.Multitemporal Remote Sensing Image Change Detection Based on Adaptive Parameter Estimation［J］.Acta Geodaetica et Cartographica Sinica，2005，34（4）：331－336.（鐘家強，王潤生.基于自適應(yīng)參數(shù)估計的多時相遙感圖像變化檢測［J］.測繪學(xué)報，2005，34（4）：331－336.）

［6］WANG Chao，XU Mengxi，WANG Xin，et al.Objectoriented Change Detection Approach for High－resolution Remote Sensing Images Based on Multiscale Fusion［J］.Journal of Applied Remote Sensing，2013，7（1）：073696.

［7］SUN Kaimin，CHEN Yan.The Application of Objects Change Vector Analysis in Object－level Change Detection［J］.International Conference on Computational Intelligence and Industrial Application（PACIIA），2010，15（4）：383－389.

［8］BOVOLO F，BRUZZONE L.A Theoretical Framework for Unsupervised Change Detection Based on Change Vector Analysis in the Polar Domain［J］.IEEE Transactions on Geoscience and Remote Sensing，2007，45（1）：218－236.

［9］BRUZZONE L，PRIETO D F.Automatic Analysis of the Difference Image for Unsupervised Change Detection［J］.IEEE Transactions on Geoscience and Remote Sensing，2000，38（3）：1171－1182.

［10］NEMMOUR H，CHIBANI Y.Multiple Support Vector Machines for Land Cover Change Detection：An Application for Mapping Urban Extensions［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2006，61（2）：125－133.

［11］WANG Wenjie，ZHAO Zhongming，ZHU Haiqing.Objectoriented Multi－feature Fusion Change Detection Method for High Resolution Remote Sensing Image［C］∥Proceedings of the 17th International Conference on Geoinformatics.Fairfax，VA：IEEE，2009：1－6.

［12］WU Junzheng，YAN Weidong，NI Weiping，et al.Object－level Change Detection Based on Image Fusion and Multi－scale Segmentation［J］.Electronics Optics ＆ Control，2013，20（12）：51－55.（吳俊政，嚴(yán)衛(wèi)東，倪維平，等.基于圖像融合與多尺度分割的目標(biāo)級變化檢測［J］.電光與控制，2013，20（12）：51－55.）

［13］SU Juan，LIU Daizhi.An Object－level Change Detection Algorithm for Remote Sensing Images［J］.Acta Photonica Sinica，2007，36（9）：1764－1768.（蘇娟，劉代志.一種目標(biāo)級的遙感圖像變化檢測算法［J］.光子學(xué)報，2007，36（9）：1764－1768.）

［14］CHEN Chunlei，WU Gang.Evaluation of Optimal Segmentation Scale with Object－oriented Method in Remote Sensing［J］.Remote Sensing Technology and Application，2011，26（1）：96－102.（陳春雷，武剛.面向?qū)ο蟮倪b感影像最優(yōu)分割尺度評價［J］.遙感技術(shù)與應(yīng)用，2011，26（1）：96－102.）

［15］LI Liang，SHU Ning，WANG Yan.Segment－based Remote Sensing Image Change Detection Using Normalized Mutual Information［J］.Remote Sensing Information（Theoretical Research），2011（6）：18－22.（李亮，舒寧，王琰.利用歸一化互信息進(jìn)行基于像斑的遙感影像變化檢測［J］.遙感信息（理論研究），2011（6）：18－22.）

［16］LIANG Jie，YANG Jianyu，ZHANG Chao，et al.A Comparison of Two Object－oriented Methods for Land－use－cover Change Detection with SPOT5Imagery［J］.Sensor Letters，2012，10（1－2）：415－424.

［17］WU Wenbo，LIU Zhenggang.A Method of the Best Band Combination Selection Based on Spectral Characteristics of Surface Features［J］.Engineering of Surveying and Mapping，2007，16（6）：22－24.（武文波，劉正綱.一種基于地物波譜特征的最佳波段組合選取方法［J］.測繪工程，2007，16（6）：22－24.）

［18］ZHAI Yongguang，WANG Yaoqiang，ZHANG Shengwei.An Optional Scale Segmentation Method Based on Scale Comparison in Object－oriented Remote Sensing Classification［C］∥2011International Conference on Remote Sensing，Environment and Transportation Engi－neering（RSETE）.Nanjing：IEEE，2011：4752－4755.

［19］ZHANG Jun，WANG Yunjia，LI Yan，et al.An Objectoriented Optimal Scale Choice Method for High Spatial Resolution Remote Sensing Image［J］.Science and Technology Review，2009，27（21）：91－94.（張俊，汪云甲，李妍，等.一種面向?qū)ο蟮母叻直媛视跋褡顑?yōu)分割尺度選擇算法［J］.科技導(dǎo)報，2009，27（21）：91－94.）

［20］TOBIAS O J，SEARA R.Image Segmentation by Histogram Thresholding Using Fuzzy Sets［J］.IEEE Transaction on Image Processing，2011，11（12）：1457－1465.

［21］WANG Guiting，WANG Youliang，JIAO Licheng.Change Detection Method of Multiband Remote Sensing Images Based on Fast Expectation－maximization Algorithm and Fuzzy Fusion［J］.Journal of Infrared and Millimeter Waves，2010，29（5）：383－388.（王桂婷，王幼亮，焦李成.基于快速EM算法和模糊融合的多波段遙感影像變化檢測［J］.紅外與毫米波學(xué)報，2010，29（5）：383－388.）

［22］WANG Wenjie，ZHAO Zhongming，ZHU Haiqing.Objectoriented Change Detection Method Based on Multi－scale and Multi－feature Fusion［C］∥Joint Urban Remote Sensing Event.Shanghai：IEEE，2009：1－5.

［23］CHEN Huahua，SHEN Jizhong.Canonical Form of Fuzzy Logic Function Based on Multi－valued Logic Method［J］.Journal of Zhejiang University：Science Edition，2002，29（3）：292－297.（陳華華，沈繼忠.基于多值邏輯方法的模糊邏輯函數(shù)規(guī)范展開［J］.浙江大學(xué)學(xué)報：理學(xué)版，2002，29（3）：292－297.）