研究意义
高光谱图像变化检测根据检测粒度不同可以分为对象级、像元级、亚像元级变化检测。其中，亚像元级变化检测不仅可以检测出所摄目标是否随时间发生变化，还可以检测出目标成分的具体演变细节，这对光学遥感监测技术的精细化发展具有极大的促进作用，在土地利用监测、水文监测、森林资源监测、农作物生长监测等领域都具有非常重要的应用价值。然而，现有的高光谱变化检测方法要么运用高光谱图像的亚像元表示信息辅助变化检测，要么运用高光谱解混技术进行解混后变化检测，没有充分挖掘多时相高光谱图像亚像元表示的差异性，还额外增加了问题的整体复杂度。因此，有必要进一步探索多时相高光谱图像的变化与其亚像元表示之间的关系，建立简单高效的变化检测方法。
本文工作
本文提出了一种基于协同稀疏解混的高光谱图像变化检测方法。首先，从高光谱图像的线性混合模型出发，回顾了基于光谱库的稀疏高光谱解混模型，并采用变化向量分析思路推导出了基于协同稀疏解混的无约束高光谱变化检测模型。然后，基于子空间匹配的思想构造了匹配光谱库，增加解混过程中光谱库和差异光谱的匹配程度。最后，建立了基于ADMM的模型求解算法，并设计了自适应丰度截断策略和变化累计策略计算变化强度矩阵，以便进一步得到变化检测结果。
本文创新点如下：
（1）建立了基于协同稀疏解混的无约束高光谱图像变化检测模型，该模型直接对差异图进行解混，所得丰度的正负表示对应物质随时间的增减，具有鲜明物理意义。
（2）设计了一种自适应丰度截断策略，更关注于物质在多时相影像中的显著性差异，能够一定程度上抑制伪变化的检出。
（3）构造了一个包含多种亚像元级变化的仿真数据集，并在多种代表性数据集上验证了所提方法的有效性。
所提算法基本思想示意图
实验结果
本文所提算法在一个仿真数据集和三个真实数据集上进行了验证，这些数据集所包含的变化呈现不同的纹理特点，具有一定代表性。实验内容包含参数敏感性实验和对比实验。主要实验结论如下：
实验结果1
算法性能对匹配光谱库的尺寸并不敏感，仅在图像噪声与匹配光谱库尺寸都比较大时有少许下降。
实验结果2
模型正则参数的取值对算法的性能影响较大，且适用于不同数据集的正则参数取值亦不相同。
实验结果3
本文所提算法在各数据集上均取得了较对比算法更好的综合性能，其在变化像元虚检和漏检方面达到了很好平衡。此外，本文所设计的丰度截断策略可以有效地抑制变化像元的虚检。
全文下载:
http://engine.scichina.com/doi/10.1360/SSI-2022-0388
版权声明：本文内容转自互联网，本文观点仅代表作者本人。本站仅提供信息存储空间服务，所有权归原作者所有。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至1393616908@qq.com 举报，一经查实，本站将立刻删除。
