1007-4619（2024）01-0105-16NationalRemoteSensingBulletin遙感學(xué)報光譜—頻域?qū)傩阅Ｊ饺诤系母吖庾V遙感圖像變化檢測摘要：高光譜作為“圖譜合一”的遙感技術(shù)，具有精細光譜和空間影像的地面覆蓋觀測與識別優(yōu)勢。然而，高光譜遙感數(shù)據(jù)的光譜信息表征以及空間信息的利用給雙時相高光譜遙感圖像變化檢測任務(wù)帶來了巨大的挑戰(zhàn)。為此，本文探討了一種光譜—頻域?qū)傩阅Ｊ饺诤系母吖庾V遙感圖像變化檢測方法SFDAPF（Spectral-FrequencyDomainAttributePatternFusion）。首先，設(shè)計一種基于梯度相關(guān)性的光譜絕對距離，使雙時相高光譜遙感圖像像元對的屬性模式從光譜信息表征方面得到了逐級量化；其次，基于傅里葉變換理論提出一種變化像元屬性模式顯著性增強策略，從全局空間信息利用方面改善了變化與非變化屬性像元對的可分性；再次，將全圖屬性模式顯著性水平與梯度相關(guān)性的光譜絕對距離進行融合，得到變化檢測的綜合界定值；最后，依據(jù)虛警閾值確定雙時相高光譜遙感圖像變化檢測的二值化結(jié)果。將本文提出的SFDAPF方法在開源的雙時相高光譜遙感圖像河流和農(nóng)場數(shù)據(jù)集上進行了變化檢測性能驗證，結(jié)果表明SFDAPF方法能夠優(yōu)于傳統(tǒng)的和最新的變化檢測方法，變化檢測的總體精度在河流和農(nóng)場數(shù)據(jù)集上分別達到了0.96508和0.97287（最高精度為1.00000）。證實了本文SFDAPF遙感對地觀測技術(shù)的數(shù)據(jù)主要有合成孔徑雷達圖像、全色圖像、多光譜圖像以及高光譜圖像。高光譜遙感圖像能夠提供比其他遙感圖像更豐富的光譜信息。例如，與多光譜遙感圖像比較而言，多光譜圖像的光譜分辨率在10-1λ數(shù)量級范圍，僅包含可見光至近紅外光譜區(qū)間的幾個或十幾個波段，而高光譜圖像光譜范圍較廣，譜帶較窄（<10-2λ),波段數(shù)可達幾百甚至上千，能夠獲取幾乎連續(xù)的地物覆蓋光譜信息。因此，高光譜遙感圖像比多光譜遙感圖像更易于識別細微變化，反映不同物體材質(zhì)等（Luo等，2019）。然而，高光譜像為地面覆蓋觀測信息的精準(zhǔn)解譯既帶來諸多便利，又帶來了高維非線性數(shù)據(jù)處理方面的挑戰(zhàn)（蘇紅軍，2022）。為此，許多學(xué)者針對不同的任務(wù)需求，開展了分類、目標(biāo)識別、變化檢測等算法研究（Zhou等，2022；Shang等，2021；Su等，2022）。遙感圖像變化檢測作為遙感對地觀測技術(shù)的關(guān)鍵應(yīng)用之一，可以持續(xù)觀察和發(fā)現(xiàn)成像場景的變化信息，近年來被廣泛應(yīng)用于環(huán)境監(jiān)測2014）、自然災(zāi)害檢測與評估（Zhang等，2003）等領(lǐng)域。收稿日期：2022?11?20；預(yù)印本：2023?04?19基金項目：國家自然科學(xué)基金（編號：42222106，61976234，T2225019）第一作者簡介：周承樂，研究方向為遙感圖像理解與變化檢測。E-mail：chengle_zhou@通信作者簡介：石茜，研究方向為遙感圖像處理與農(nóng)業(yè)遙感應(yīng)用。E-mail：shixi5@106NationalRemoteSensingBulletin遙感學(xué)報2024,28（1）實質(zhì)上，雙時相遙感圖像變化檢測目的在于對前后時相影像的空間—光譜差異性進行建模，從而區(qū)別2期影像中的變化區(qū)域與非變化區(qū)域。一般而言，變化檢測任務(wù)包含了數(shù)據(jù)預(yù)處理、差異性挖掘與表征以及性能度量與評估3個關(guān)鍵步驟（Zhao等，2022）。雙時相遙感圖像變化檢測方法可以概括為四類，即代數(shù)方法、轉(zhuǎn)換方法、分類方法以及深度學(xué)習(xí)方法（Liu等，2019）。代數(shù)方法主要包括圖像差異、圖像比例、圖像回歸、絕對距離、變化向量分析等（Du等，2012；Carvalho等，2011）。該類方法直接對雙時相遙感圖像執(zhí)行代數(shù)運算，從而評判2期影像像元對的屬性模式（變化屬性與非變化屬性）。目前，大多數(shù)代數(shù)方法屬于逐像素分析方法，且服從像元變化由灰度差異反映的假設(shè)。變換方法（Ortiz-Rivera等，2006；Marchesi和Bruzzone，2009）主要是將遙感數(shù)據(jù)從原始特征空間投影至另一個特征空間，從而識別變化屬性的像元或區(qū)域。然而，這類方法往往僅利用遙感圖像的光譜信息，忽略了鄰域像元之間的相似性（Zhang等，2012）。分類方法包括遙感圖像后分類與直接分類2種方式法在于將不同時相的遙感圖像分別進行分類，然后對分類結(jié)果進行比較分析，以獲取變化屬性的像元；直接分類則是將不同時相遙感圖像先做差值運算，然后借助分類器確定變化屬性的像元。最近，基于深度學(xué)習(xí)方法的雙時相高光譜遙感圖像變化檢測是比較熱門的研究方向，該類方法以數(shù)據(jù)驅(qū)動的方式構(gòu)建非線性變換，以得到適對稱深度網(wǎng)絡(luò)與慢特征分析理論設(shè)計了一種雙時相高光譜遙感圖像變化檢測方法。實驗結(jié)果證明該方法的檢測性能優(yōu)于當(dāng)時其他先進的變化檢測算法，其中包括其他基于慢特征分析和深度學(xué)習(xí)的方法。Wang等（2019）提出了一種端到端二維卷積神經(jīng)網(wǎng)絡(luò)的雙時相高光譜遙感圖像變化檢測算法，其思路在于，首先利用原始光譜特征與解混后端元特征，共同構(gòu)建了像元對的二維差值矩陣，然后采用二維深度卷積神經(jīng)網(wǎng)絡(luò)獲取像元對的高階語義屬性。Ou等（2022）在慢特征分析的理論基礎(chǔ)上設(shè)計了原始光譜信息的快慢特征篩選策略，并將像元對的二維差值矩陣作為屬性模式的表征方式，從而提出了基于二維卷積神經(jīng)網(wǎng)絡(luò)的變化檢測方法。Wang等（2022）提出了一種端到端殘差自校準(zhǔn)網(wǎng)絡(luò)。該網(wǎng)絡(luò)通過自適應(yīng)地對像元的局部空間信息與光譜特征的依賴性進行建模，以提高變化檢測的精度。此外，Hu等（2023）設(shè)計了二元變化引導(dǎo)的高光譜遙感圖像多類別變化檢測網(wǎng)絡(luò)，其思路在于利用穩(wěn)定的二元變化檢測方法促進多類別變化信息檢測與分離。雖然上述深度學(xué)習(xí)方法能夠在變化檢測任務(wù)中取得優(yōu)越的檢測結(jié)果，但均屬于由數(shù)據(jù)驅(qū)動的弱監(jiān)督變化檢測方法，其檢測性能受限于訓(xùn)練數(shù)據(jù)庫中訓(xùn)練樣本數(shù)量以及標(biāo)簽準(zhǔn)確性。實際應(yīng)用中的變化檢測任務(wù)不存在大量且準(zhǔn)確的標(biāo)記樣本，大多深度學(xué)習(xí)方法則采用某種機制（如變化向量分析（Carvalho等，2011）等）構(gòu)建出可供特征學(xué)習(xí)的弱標(biāo)記樣本，而弱標(biāo)記樣本中往往存在噪聲標(biāo)簽。近年來，頻域分析方法在自然圖像顯著性分析領(lǐng)域得到了廣泛的應(yīng)用（Li等，2013；Jaemsiri等，2019）。其基本思路在于對灰度化的自然圖像進行傅里葉變換得到對應(yīng)的幅度譜和相位譜，并利用二維高斯核對幅度譜進行低通濾波，然后對原始相位譜與濾波后的幅度譜進行逆傅里葉變換，從而得到前景與背景對比度增強的顯著差異圖像。此外，圖像頻域分析方法逐漸發(fā)展至遙感影像變化檢測領(lǐng)域，例如，Gao等（2018）結(jié)合頻域分析方法與隨機多圖策略提出了合成孔徑雷達圖像變化檢測方法，該方法利用頻域分析手段的目的在于從前后時相SAR圖像的差值圖像中確定具有顯著差異特征的區(qū)域。然而，不同于單波段SAR圖像，高光譜遙感圖像具有光譜波段高維特性，因此如何綜合光譜維的全波段信息并提取前后時相圖像的頻域顯著差異是一個具有挑戰(zhàn)的任務(wù)。對于雙時相高光譜遙感圖像變化檢測算法而言（包括傳統(tǒng)方法與深度學(xué)習(xí)方法其核心問題在于2期影像像元對光譜差異化的有效表征以及像元鄰域上下文信息的充分利用，從而使得檢測算法的總體精度（虛警與漏檢）達到最佳（Kwan，2019）。最近，Hou等（2021）結(jié)合代數(shù)運算與空間形態(tài)學(xué)特征提出了一種高光譜遙感圖像變化檢測方法，該方法通過引導(dǎo)濾波將形態(tài)學(xué)空間信息與基于光譜信息的代數(shù)運算結(jié)果進行融合，雖然降低了變化檢測的漏檢率卻未有效抑制虛警現(xiàn)象。因此，從漏檢與虛警平衡的角度出發(fā)，充分挖掘周承樂等：光譜—頻域?qū)傩阅Ｊ饺诤系母吖庾V遙感圖像變化檢測107特征融合圖像TT梯度相關(guān)性光譜絕對距離ω=f(r,r);ω=f(r,r)=(1-g)D=s×dist融合鄰域獲取引導(dǎo)頻譜顯著性增強幅度譜幅度高斯濾波相位譜傅里葉正(逆)變換A(f)=R(F(G))L(f)=log(A(f))特征融合圖像TT梯度相關(guān)性光譜絕對距離ω=f(r,r);ω=f(r,r)=(1-g)D=s×dist融合鄰域獲取引導(dǎo)頻譜顯著性增強幅度譜幅度高斯濾波相位譜傅里葉正(逆)變換A(f)=R(F(G))L(f)=log(A(f))P(f)=S(F(G))g(f)=L(f)×K(x,y)G=F(exp(g(f)+P(f)))性模式的可分性；再次，本文將全圖變化屬性顯著水平與GCASD進行有效融合，得到變化檢測的綜合界定值；最后，依據(jù)虛警閾值確定雙時相高光譜遙感圖像變化檢測的二值化結(jié)果。2研究方法頻域注入光譜域注入光譜屬性虛警閾值光譜域檢測頻域?qū)傩宰兓瘷z測結(jié)果濾波幅度譜相位譜頻域檢測本文提出的光譜—頻域?qū)傩阅Ｊ饺诤系母吖庾V遙感圖像變化檢測方法主要包含2個部分，即基于梯度相關(guān)性的光譜絕對距離與基于傅里葉變換理論的顯著性增強策略，其具體架構(gòu)流程如圖1所示?？偟膩碚f，前者從光譜特征層面對像元對的變化屬性進行逐級量化；后者從頻域高頻幅度特征增強了變化屬性像元的顯著性。頻域注入光譜域注入光譜屬性虛警閾值光譜域檢測頻域?qū)傩宰兓瘷z測結(jié)果濾波幅度譜相位譜頻域檢測原始高光譜圖像TT主成分分析TTT-T結(jié)構(gòu)與紋理差異圖1基于光譜—頻域?qū)傩阅Ｊ饺诤系母吖庾V遙感圖像變化檢測流程圖Fig.1Outlineofchangedetectioninhyperspectralremotesensingimageviaspectral-frequencydomainattributepatternfusion2.1圖像分組及融合在計算2時相高光譜遙感圖像像元對的梯度相關(guān)性絕對距離之前，本文分別對原始圖像IT與IT進行波段分組與融合，目的在于消除噪聲波段以分別將IT與IT劃分為M個具有連續(xù)且相鄰波段的波段子集，第m個（m=1，2，…，M）波段子集Hm表示為式中，I=[I1，I2，?，IQ]表示為具有Q個波段的IT或IT圖像，?Q/M?為不大于Q/M的最大得一提的是，本文依據(jù)Zhou等（2021）在高光譜遙感圖像分類任務(wù)中的經(jīng)驗，將波段分組的數(shù)量M設(shè)置為25。一旦獲得Hm波段子集，則IT或IT的融合圖像Rm可以被定義為(2)式中，Um為第m個波段子集中的波段數(shù)量，Ht表示為第m個波段子集中第tm個波段。2.2梯度相關(guān)性的光譜絕對距離光譜絕對距離Dad在變化檢測任務(wù)中是1種簡單直觀的檢測器，其公式表達為式中，Q是高光譜遙感圖像IT或IT各自的波段數(shù)108NationalRemoteSensingBulletin遙感學(xué)報2024,28（1）量，B和B分別表示IT或IT第i個波段的圖像。光譜絕對距離檢測器的基本假設(shè)在于像元或區(qū)域的變化會引起地物輻亮度明顯變化，因此輻射校正和幾何校正對2期圖像的變化檢測結(jié)果有著顯著的影響。參考Hou等（2022）報道，利用2期影像待測像元在8連通鄰域像元上的光譜和空間相似性，設(shè)計了光譜角權(quán)重的局部絕對距離resb，其公式為式中，N表示IT或IT任一高光譜遙感圖像的像元數(shù)量，x與x分別為IT或IT圖像的待測像元，xk和xk是對應(yīng)于單波段圖像8連通鄰域中像元 影像中變化屬性的界定值是依據(jù)待測像元的8連通鄰域像元間的光譜絕對距離以及待測像元之間余弦相似性而確定。因此，介于變化與非變化區(qū)域的邊界與角點像元極大程度上會判為變化像元，從而引發(fā)圍繞變化像元或區(qū)域的虛警現(xiàn)象。為了克服上述問題，本文設(shè)了1種梯度相關(guān)性的光譜絕對距離，如圖2所示。首先，本文對圖像融合后2期圖像RT與RT的邊緣以“對稱”方式進 行填充，以確保邊緣與角點像元具有8連通區(qū)域。本文中，填充的行列數(shù)均為2。圖2梯度相關(guān)性光譜絕對距離其次，2期圖像RT與RT的8連通區(qū)域中心像元對的光譜絕對距離distb被定義為式中，rb表示RT圖像中第b個像元r的第i個波段的光譜反射值，r，b表示RT圖像中第b個像元r的第i個波段的光譜反射值。然后，本文引入光譜余弦距離函數(shù)f(yT，yT)，以量化各像元對之間的相似性，其表達式為(6)式中，yTT通用符號。因此，中心像元對的余弦相似性為ωb=f(r，r)。此處，若僅用光譜絕對距離與余弦相似性界定像元對的屬性模式，將導(dǎo)致屬性模式趨向于變化屬性，原因在于高光譜遙感數(shù)據(jù)獲取的過程中往往受云層遮擋、傳感器抖動等自然與非自然因素的影響。為此，本文利用中心像元8連通區(qū)域像元之間的余弦相似值ωc-b，構(gòu)造了權(quán)重縮放因子gb，逐級量化像元對的光譜屬性模式，從而有效克服了虛警現(xiàn)象，公式為Grad(8)-b分別表示為r與r中心像元對應(yīng)梯度的表達式，gb表示由梯度相關(guān)性構(gòu)成的權(quán)重縮放因子。最后，本文通過8連通區(qū)域平均余弦權(quán)重、權(quán)重縮放因子以及中心像元對的光譜絕對距離，構(gòu)造經(jīng)gb縮放后的平均余弦權(quán)重sb，獲取全圖光譜屬性模式的綜合界定值D，計算公式為b=bbbb 式中，b為ωc-b的平均余弦權(quán)重。2.3傅里葉變換理論的頻域顯著性增強近年來，圖像顯著性檢測的研究熱度逐漸由自然圖像處理領(lǐng)域蔓延、發(fā)展至遙感圖像處理領(lǐng)域（Cong等，2019；Li等，2019）。顯著性檢測中存在1個基本假設(shè)（Koch和Poggio，1999即：視覺系統(tǒng)對頻繁出現(xiàn)的特征具有較低的響應(yīng)，而對偏離規(guī)范的特征保持敏感。受此啟發(fā)，本文從圖像顯著性檢測的思路出發(fā)，設(shè)計了基于傅里葉變換理論的高光譜遙感圖像變化屬性顯著性增強方案。由于高光譜遙感圖像的高維特征，本文首先采用主成分分析算法（Prasad和Bruce，2008）分別提取2期遙感圖像的第一主成分特征，同時利用圖像差值運算獲取2時相第一主成分特征之間的其次，本文利用傅里葉變換將圖像G映射到周承樂等：光譜—頻域?qū)傩阅Ｊ饺诤系母吖庾V遙感圖像變化檢測109頻域，并從圖像頻譜特征中提取其幅度譜A(f)，公式表示如下：數(shù)特征的模值（幅度譜）。事實上，對變化檢測任務(wù)而言，變化屬性屬于高頻分量而非變化屬性屬于低頻分量，而傅里葉頻譜的平均振幅A(f)與頻2007因而非變化屬性對應(yīng)于高幅值。此處，本文對A(f)進行了log變換（L(f)抑制非變化屬性的幅值上限，同時放大變化屬性的幅值的差異性，公式表達如下所示：A(f)然后，本文引入二維高斯濾波對圖像的log幅度譜進行標(biāo)準(zhǔn)差誘導(dǎo)的窗口ωg×ωg滑動濾波，以進一步抑制非變化屬性的幅度，從而提升變化和非變化屬性像元的可分性。其中，二維高斯掩碼函數(shù)K(x，y)及其濾波輸出G(f)如下所示：式中，xc與yc為中心像元的二維坐標(biāo)位置，xc=+1，x與y表示8連通區(qū)域像元的二為向上取整數(shù)。此外，為得到頻域顯著水平G1，本文對頻域表示特征進行相位譜特征提取P(f)，公式表示如下所示：式中，S(?)為對頻域復(fù)數(shù)特征取其虛部的函數(shù)。此后，利用G(f)和P(f)進行逆傅里葉變換，獲得頻域顯著水平G1，其公式表達如下所示：式中，F(xiàn)-1(?)表示為逆傅里葉變換。當(dāng)梯度相關(guān)性的光譜絕對距離D與頻域顯著水平G1均獲得以后，本文對兩者進行點乘運算，以獲取全圖屬性模式的光譜—頻域綜合界定值Vc，公式如下所示：1式中，Norm(?)表示最大最小歸一化函數(shù)。2.4虛警閾值二值化分割為獲得雙時相高光譜遙感圖像變化檢測的二值化分類結(jié)果，本文將Vc的值從最小值到最大值等間距劃分5000個備選閾值，并在每個備選閾值下統(tǒng)計本文方法的查全率及虛警率，最后，在虛警率βt水平下，以閾值對全圖進行二值化分割。值得一提的是，下文將以實驗的方式對不同虛警率水平下的變化檢測效果進行詳細分析。3實驗結(jié)果與分析3.1實驗數(shù)據(jù)集描述Observing-1（EO-1）Hyperion傳感器分別于2013年5月3日和2013年12月31日在中國江蘇省某個河流區(qū)域進行收集，包含2個時相的高光譜遙感圖像，每個圖像共有242個光譜波段。單幅影像的光譜范圍為0.4—2.5μm，光譜分辨率為10nm，圖像大小為463×241像素，圖像中主要變化的覆蓋類型為河灘。值得一提的是，本文實驗采用了高光譜遙感圖像中的198個高信噪比波段進行了方法性能為河流數(shù)據(jù)集T1和T2時相的假彩色圖以及地面真值圖GT（GroundTruth）。此外，從該數(shù)據(jù)集地面真值圖與2期假彩色圖像對比中觀察，地面真值圖似乎存在“斑點噪聲”，原因在于用ENVI生成的2期假彩色圖像的斑點區(qū)域差異可視化不明顯，但對應(yīng)區(qū)域確實存在覆蓋變化，該數(shù)據(jù)集細節(jié)信息請參考（Wang等，2019）。（2）農(nóng)場數(shù)據(jù)集：該數(shù)據(jù)集同樣由EO-1Hyperion傳感器分別于2006年5月3日和2007年4月23日在中國江蘇省鹽城市某個濕地農(nóng)業(yè)區(qū)所采集。單幅影像的光譜范圍、光譜分辨率與河流數(shù)據(jù)集類似。該數(shù)據(jù)集圖像的大小為420×140像素，去除噪聲及水吸收波段后的154個光譜波段用于本文算法性能驗證實驗，該數(shù)據(jù)集細節(jié)信息請參考（Song等，2018）。圖4為農(nóng)場數(shù)據(jù)集T1和T2時相的假彩色圖以及地面真值圖。3.2性能評價指標(biāo)本研究在二分類的混淆矩陣基礎(chǔ)上引入了總體準(zhǔn)確率OA（OverallAccuracy）、平均準(zhǔn)確率AA110NationalRemoteSensingBulletin遙感學(xué)報2024,28（1）比IoU（IntersectionoverUnion）以及F1分數(shù)（F1-score）等5個性能評估指標(biāo)，以客觀公正地評判各個雙時相高光譜遙感圖像變化檢測算法的性能優(yōu)劣性。此外，本文中變化像元的總體精度記為OAc以及非變化像元的總體精度記作OAu。（c）地面真值圖圖3河流高光譜遙感圖像數(shù)據(jù)集Fig.3Riverhyperspectralremotesensingimagesdataset（c）地面真值圖圖4農(nóng)場高光譜遙感圖像數(shù)據(jù)集Fig.4Farmlandhyperspectralremotesensingimagesdataset3.3參數(shù)設(shè)置及分析在本研究所提出的SFDAPF變化檢測方法中，高斯濾波標(biāo)準(zhǔn)差σ與虛警閾值βt的大小將會直接影響SFDAPF方法的檢測精度（包括OA、OAu及OAc）。因此，本研究分別在河流與農(nóng)場高光譜遙感圖像數(shù)據(jù)集上探討了σ與βt對SFDAPF方法檢測精度的定量化影響。圖5與圖6中的紅色箭頭表示標(biāo)準(zhǔn)差σ與虛警閾值βt分別設(shè)定為某一值時OA、OAu及OAc所對應(yīng)的指標(biāo)。藍色箭頭為本文所設(shè)定σ與βt參數(shù)下所對應(yīng)的OA、OAu及OAc指標(biāo)。在基于河流高光譜遙感數(shù)據(jù)集的參數(shù)分析實驗中，σ與βt的大小變化區(qū)間分別設(shè)置為｛0.1，性能指標(biāo)隨不同σ與βt值的變化程度。由圖5（a）可見：當(dāng)σ取值固定時，SFDAPF方法的OA值大小隨著βt從1×10-3到1×10-1區(qū)間的變化呈現(xiàn)了先上升后下降的趨勢；而當(dāng)βt取值固定，OA指標(biāo)隨著σ值的增大而緩慢減小。由圖5（b）和圖5（c）可知：當(dāng)虛警水平較高時，SFDAPF方法將會增大對變化像元的敏感性，OAc指標(biāo)相對較高而OAu指標(biāo)相對較低所示當(dāng)虛警水平較低時，OAc指標(biāo)有所下降而OAu指標(biāo)有所上升（圖5中紅藍箭頭所示）。σ的大小決定了高斯函數(shù)的寬度，σ越大函數(shù)圖像跨幅越寬，反之則越窄。換言之，其值大小影響著平滑程度。而在SFDAPF方法中，濾波的目的在于抑制非變化像元的幅度特征從而增強變化和非變化像元的可分性，因此較大的σ并不是最佳的選擇。此外，若僅依據(jù)SFDAPF方法的OA指標(biāo)選取最佳的σ與βt，似乎并不能獲得最好的檢測效果（圖5中紅藍箭頭所示）。其原因在于，變化像元在圖像中屬于少數(shù)部分，非變化像元檢測精度較高時OA指標(biāo)同樣能夠取得最高值。因此，本文依據(jù)OA、OAu以及OAc三者的平衡，將σ與βt分別設(shè)置為0.1與2.5×10-2。同樣地，本文在農(nóng)場高光譜遙感數(shù)據(jù)集上分析了高斯濾波標(biāo)準(zhǔn)差σ與虛警閾值βt對本文SFDAPF方法的檢測精度影響。σ與βt的大小變化區(qū)間同樣分別設(shè)置為｛0.1，0.6，…，4.1｝和｛1×10-3，2.5×10-3，…，1×10-1｝。如圖6所示，SFDAPF方法的OA、OAu及OAc等3個指標(biāo)隨σ與βt取值變化的總體趨勢與河流數(shù)據(jù)集上大致類似。在農(nóng)場數(shù)據(jù)集上，本文同樣對最高OA取值與次高OA取值的σ與βt進行了分析，結(jié)果見圖6。可見：當(dāng)σ與βt分別設(shè)定為0.1和1×10-2時，SFDAPF方法周承樂等：光譜—頻域?qū)傩阅Ｊ饺诤系母吖庾V遙感圖像變化檢測111的OA、OAu與OAc取值分別達到97.35%、99.00%和96.77%，此時OA為最高（如圖6中紅藍箭頭所示）。而當(dāng)σ與βt分別設(shè)設(shè)定為0.1和2.5×10-2時，97.29%、97.50%和93.31%，此時OA為次高。根據(jù)最高與次高指標(biāo)的分析，OA與OAu指標(biāo)分別降低0.06%和2.50%，OAc指標(biāo)提升了3.46%，這表明僅依據(jù)SFDAPF方法的OA指標(biāo)設(shè)定σ與βt值，將使SFDAPF方法無法取得漏檢與虛警的合理平衡。因此，河流與農(nóng)場2個數(shù)據(jù)集的參數(shù)分析實驗結(jié)果均證明了本文SFDAPF方法在變化檢測任務(wù)的有效性。此外，若將SFDAPF方法拓展至新的雙時相高光譜遙感圖像數(shù)據(jù)集，本文建議將SFDAPF方法的σ與βt參數(shù)分別設(shè)置為0.1與2.5×10-2。1.0×105.0×105.0×101.0×105.0×105.0×10βσβσ1.0×100.11.0×105.0×10βσ1.0×10βσ5.0×101.11.0×100.1（b）未變化像元（b）Unchangedpixels1.0×105.0×10βσβσ5.0×101.0×100.1（c）變化像元圖5河流高光譜遙感圖像數(shù)據(jù)集上高斯濾波標(biāo)準(zhǔn)差σ與虛警閾值βt對所提出的SFDAPF方法的變化檢測總體精度影響Fig.5InfluenceofGaussianfilterstandarddeviationσandfalsealarmthresholdβtonthechangedetectionaccuracyoftheproposedSFDAPFmethodontheriverhyperspectralremotesensingimagedatasetOAc=96.77%OAu=97.50%OA=97.29%OAc=96.77%OAu=97.50%OA=97.29%OAc=93.31%OAu=99.00%809498969492OA=97.35%OAc=93.31%OAu=99.00%8094989694926088604082402076200701.0×101.0×10901.0×100701.0×101.0×5.0×105.0××5.0×105.0×103.13.1βββ3.11.0×101.0×102.1βββ3.11.0×101.0×102.11.1σ2.11.1σ2.1σ5.0×105.0×105.0×105.0××101.0××101.0×100.1（c）變化像元（b）Unchangedpixels圖6農(nóng)場高光譜遙感圖像數(shù)據(jù)集上高斯濾波標(biāo)準(zhǔn)差σ與虛警閾值βt對所提出的SFDAPF方法的變化檢測總體精度影響Fig.6InfluenceofGaussianfilterstandarddeviationσandfalsealarmthresholdβtonthechangedetectionaccuracyoftheproposedSFDAPFmethodonthefarmlandhyperspectralremotesensingimagedataset3.4組件性能貢獻分析本文提出的SFDAPF方法由梯度相關(guān)性絕對光強（SE）3個核心組件構(gòu)成。因此，本小節(jié)在河流與農(nóng)場數(shù)據(jù)集上定性與定量地分析了每個核心組件對SFDAPF方法的性能貢獻。首先，本文在河流高光譜遙感圖像上，從定性層面的圖像可視化角SE組件融合（記作GCASD&SE）的可視化像元屬性模式的強度信息以及SFDAPF方法的變化檢測結(jié)度信息，可見檢測結(jié)果對像元對的變化屬性極為敏感，從而導(dǎo)致大多數(shù)像元均趨向于變化像元。圖7（c）為SE組件的像元屬性強度信息，可見該強度信息對標(biāo)地面真實值（圖7（a和圖7（b具有更為理想的虛警現(xiàn)象。但是，SE組件的強度信112NationalRemoteSensingBulletin遙感學(xué)報2024,28（1）息在孤立點與小面積變化區(qū)域表現(xiàn)出低顯著程度現(xiàn)象。因此，將GCASD組件與SE組件的強度信息進行融合，能夠在非變化像元抑制與變化像元增強方面得到有效互補，其融合結(jié)果如圖7（d）所示，像元屬性模式相比于圖7（b）和圖7（c）更接近于地面真實值，對應(yīng)的SFDAPF變化檢測結(jié)果如圖7（e）所示。圖7GCASD與SE組件以及SFDAPF方法對河流高光譜遙感圖像的變化區(qū)域的可視化結(jié)果（GT為地面真值圖）Fig.7VisualizationofGCASDandSEcomponentsandSFDAPFmethodforchangingregionsofriverhyperspectralremotesensingimages其次，本文在河流與農(nóng)場高光譜遙感數(shù)據(jù)集上分別對GCASD、IF及SE組件的性能貢獻進行了定量分析。實驗結(jié)果如表1所示，值得注意的是，化檢測指標(biāo)均在虛警率2.5×10-2水平下計算得到。由表可知，GCASD在河流數(shù)據(jù)集上的F1、IoU、OA指標(biāo)及時間消耗分別為0.98024、0.0.96410和34.2。同時，由表觀察，盡管IF組件的引入對GCASD3個指標(biāo)具有微幅退化效應(yīng)，但是時間消耗方面能夠降低42.9s的運行時間，這極大地提高了GCASD計算效率。類似地，對于GCASD及IF組件在農(nóng)場數(shù)據(jù)集上的檢測精度與時間消耗同樣得出與河流數(shù)據(jù)上相同的結(jié)論。這說明IF組件在算法執(zhí)行效率方面具有較大的貢獻。此外，由表1結(jié)果可知，SE組件的F1、IoU及OA指標(biāo)在河流數(shù)據(jù)集上均略低于GCASD組件，而在農(nóng)場數(shù)據(jù)集上均略高于GCASD組件，但GCASD與SE的綜合檢測結(jié)果（即SFDAPF）均優(yōu)于GCASD與SE組件的任一結(jié)果。這充分表明梯度相關(guān)性光譜絕對距離與顯著性增強結(jié)果的融合在變化檢測任務(wù)上具有信息互補性，能夠有效提高本文方法的變化檢測精度。值得注意的是，SE組件的執(zhí)行時間無論是在河流數(shù)據(jù)集還是在農(nóng)場數(shù)據(jù)集都具有較低的時間消耗，均在3s左右。因此，從檢測精度與時間消耗角度綜合來看，SE組件是非常具有貢獻的方法組件。表1所提方法在不同高光譜遙感數(shù)據(jù)集上的各組成部分性能貢獻Table1Performancecontributionofeachcomponentoftheproposedmethodondifferenthyperspectralremotesensingdatasets指標(biāo)河流高光譜遙感數(shù)據(jù)集農(nóng)場高光譜遙感數(shù)據(jù)集GCASDIGFSEF10.980430.980240.979710.972810.970720.978650.961620.961240.960230.947050.943100.958200.964470.964100.963120.961300.958240.97011時間/s834.735.42.94注：粗體表示為每個評估指標(biāo)中的最高精度。OA為總體精度；F1為F1分數(shù)；IoU為交并比指標(biāo)。GCASD為基于梯度相關(guān)性的光譜絕對距離；IF為圖像融合；SE為顯著性增強；SFDAPF為本文方法。周承樂等：光譜—頻域?qū)傩阅Ｊ饺诤系母吖庾V遙感圖像變化檢測113此外，圖8給出了農(nóng)場高光譜遙感圖像地面真值圖與GCASD、IF、SE及SFDAPF的變化檢測結(jié)果圖。值得注意的是，為了清晰觀察與對比，本文對地面真值圖及檢測效果圖的3個區(qū)域分別進96.82%、96.13%、97.01%和97.29%下所獲得。由圖可知，盡管GCASD方法采用了局部上下文信息去定義像元屬性模式的界定值，但在檢測結(jié)果中仍存在較多的虛警現(xiàn)象。IF方法的檢測結(jié)果圖與GCASD方法檢測結(jié)果圖相差不大，但其在執(zhí)行效率方面的貢獻非常顯著，這在上述部分已經(jīng)進行了實驗分析。SE方法的變化檢測效果圖相比于GCASD和IF方法，則虛警現(xiàn)象得到了明顯的改善。這充分表明，對頻域幅度特征進行高斯濾波能夠有效抑制非變化像元，提升了變化像元的顯著性，從而改善了虛警現(xiàn)象。此外，圖8（e）給出了由GCASD與SE組件像元屬性模式界定值融合SFDAPF方法檢測結(jié)果比GCASD與SE組件中任一組件的檢測結(jié)果都具有較少的虛警現(xiàn)象（紅、黃及藍區(qū)域）。該結(jié)果表明，本文對梯度相關(guān)性光譜絕對距離以及頻域顯著性水平進行融合，對高光譜遙感圖像變化檢測的虛警和漏檢現(xiàn)象的改善是極其有效的，能夠有助于變化檢測任務(wù)的圖像解譯。圖8農(nóng)場高光譜遙感數(shù)據(jù)集上各組件以及SFDAPF方法的變化檢測效果Fig.8ChangedetectioneffectofeachcomponentandSFDAPFmethodonfarmhyperspectralremotesensingdataset3.5不同變化檢測方法的性能比較為進一步驗證提出的SFDAPF方法在雙時相高光譜遙感圖像變化檢測任務(wù)中的有效性，本文使用SFDAPF方法和其他變化檢測方法進行比較分析。對比方法包括經(jīng)典的CVA（Carvalho（Nielsen，2007）方法以及先進的PTCD（Hou等，2022）方法。其中，CVA是利用2期圖像各波段的差值和作為像元屬性模式的界定值；PCA-CVA是在CVA之前采用了主成分分析算法進行特征提?。籌RMAD是在多變量檢測方法基礎(chǔ)上引入迭代重加權(quán)的變化檢測方法；PTCD為基于局部塊張量分解和重建策略的檢測方法；SALA為基于光譜角加權(quán)局部絕對距離的檢測方法；MMPs在SALA的基礎(chǔ)上引入形態(tài)學(xué)濾波的變化檢測方法。上述對比方法中所涉及的實驗參數(shù)分別使用對應(yīng)文獻中默認的參數(shù)。此外，本文使用河流與農(nóng)場2個雙時相高光譜遙感數(shù)據(jù)集來進行性能驗證實驗，采用3.2部分中的OA、AA、Kappa、IoU以及F1等5個性能對各方法的性能優(yōu)越性進行評測。114NationalRemoteSensingBulletin遙感學(xué)報2024,28（1）PTCD、SALA、MMPs及本文SFDAPF方法在河流數(shù)據(jù)集上的實驗結(jié)果。就經(jīng)典的變化檢測方法CVA、PCA-CVA及IRMAD分析而言的檢測結(jié)果對像元的變化屬性模式更為敏感，IRMAD的檢測結(jié)果對像元的變化屬性模式為警惕，而PCA-CVA方法相比兩者取得了較好的檢測結(jié)果。實際上，CVA僅采用像元對之間的光譜特征差值和評判像元的屬性模式，而IRMAD和PCA-CVA則是在計算屬性模式界定值之前分別執(zhí)行了仿射變換與主成分特征提取操作，因此像元屬性模式的判定結(jié)果優(yōu)于CVA方法。此外，這3個SFDAPF的OAc指標(biāo)低于CVA與PCA-CVA方法，其原因在于SE組件通過頻域二維高斯濾波獲取高置信的變化像元強度信息的同時也一定程度上抑制了紋理信息與周圍像元差異較微弱的變化像元的強度信息，使得變化與非變化像元強度信息的對比度較大，導(dǎo)致SFDAPF方法收縮了變化像元屬性模式的強度信息范圍，從而呈現(xiàn)出OAc指標(biāo)偏低。但SFDAPF方法的OAu指標(biāo)是3個方法中的最標(biāo)同樣遠高于上述3個經(jīng)典方法。結(jié)果表明：與經(jīng)典方法比較，本文SFDAPF方法在梯度相關(guān)性光譜絕對距離計算階段引入像元局部上下文信息以及采用全局顯著性增強策略對降低虛警是有效的。表2各方法在河流高光譜遙感數(shù)據(jù)上采用不同評估指標(biāo)的檢測結(jié)果Table2Detectionresultsofdifferentmethodsusingdifferentevaluationindicatorsonriverhyperspectralremotesensingdataset方法KappaF1時間/s0.925250.876600.540100.933010.874420.885059.57×10-2PCA-CVA0.951840.950300.747780.972970.947360.951709.87×10-10.844400.971030.717780.681960.972050.945620.949024.81×10-10.753300.910180.596410.407130.934190.876510.882911.29×1030.928810.911650.945970.614560.951220.906980.914635.570.931190.922390.939990.642750.956790.917150.923921.36×102SFDAPF0.917710.860383.47×101注：粗體表示為每個評估指標(biāo)中的最高精度。AA為平均精度；OAu和OAc分別為未變化像元和變化像元總體精度；Kappa為用于一致性檢驗評估指標(biāo)。周承樂等：光譜—頻域?qū)傩阅Ｊ饺诤系母吖庾V遙感圖像變化檢測115圖9各方法在河流高光譜遙感數(shù)據(jù)集上的變化檢測效果Fig.9Changedetectioneffectofeachmethodonriverhyperspectralremotesensingdataset與先進的變化檢測方法比較而言，即PTCD、OA等5個指標(biāo)方面的精度遠高于PTCD方法同時也略高于SALA方法，為3個先進方法中精度指標(biāo)最高的一個競爭方法。相比之下，盡管本文SFDAPF0.98076、0.96225和0.96508，均優(yōu)于MMPs對應(yīng)的指標(biāo)精度。此外，就算法執(zhí)行時間方面來評估，本文SFDAPF方法相比于傳統(tǒng)方法需要較多的時間消耗，但是比PTCD與MMPs檢測方法明顯具有時間消耗方面的優(yōu)勢。這進一步說明本文SFDAPF方法在檢測精度與時間消耗方面的有效性與可行性。圖9給出了各方法在最高OA指標(biāo)下的二值化SALA、MMPs等5個對比均出現(xiàn)不同區(qū)域不同程度的虛警現(xiàn)象，而IRMAD方法則存在嚴重的漏檢現(xiàn)象。相比之下，依據(jù)檢測效果及OA指標(biāo)的分析與比較，本文SFDAPF方法在虛警與漏檢中達到了較好的平衡，其二值化檢測結(jié)果更接近于圖9（a）的地面真值圖以及OA指標(biāo)為最高精度。因此，從可視化的二值化結(jié)果來看，進一步驗證了本文SFDAPF方法比傳統(tǒng)的與最新的檢測方法更具性能優(yōu)越性。表3和圖10給出了上述6個對比方法及本文SFDAPF方法在農(nóng)場高光譜遙感圖像數(shù)據(jù)集上的實驗結(jié)果與二值化檢測效果。不同于河流數(shù)據(jù)集，農(nóng)場數(shù)據(jù)集成塊變化的區(qū)域占絕大多數(shù)，孤立點SFDAPF方法的AA、Kappa、F1、IoU、OA指標(biāo)達到了最高的精度，比次高精度分別高出了0.01985、0.05653、0.01474、0.02798、0.02187。此外，SFDAPF方法的OAu（0.97500）與OAc（0.9676指標(biāo)并未取得最高精度，但僅比最高精度分別低了0.00673和0.01237，可以稱之為略低于最高精CVA、PCA-CVA與IRMAD方法沒有明顯的運行效率優(yōu)勢，但是從性能與時間評估指標(biāo)綜合來看，傳統(tǒng)方法的實用性并不如本文SFDAPF方法。與PTCD、SALA及MMPs等最新的檢測方法對比而SFDAPF方法比PTCD與MMPs方法分別快了157.6與116.6s了。因此，表3實驗結(jié)果表明：從檢測精度與時間消耗方面進行綜合評述，本文SFDAPF方法通過融合梯度相關(guān)性光譜絕對距離與全局顯著性增強結(jié)果，平衡了高光譜遙感圖像變化檢測任務(wù)中的虛警和漏檢現(xiàn)象，極大地提高變化檢測的總體識別與檢測精度。SFDAPF方法分別最高OA指標(biāo)下的二值化檢測結(jié)法均存在不同程度虛警現(xiàn)象，而PCA-CIRMAD存在不同程度漏檢現(xiàn)象。相比之下，本文SFDAPF方法取得較高的OA精度及變化檢測效果，同樣在虛警與漏檢方面達到了平衡。尤其是，通116NationalRemoteSensingBulletin遙感學(xué)報2024,28（1）過河流和農(nóng)場2個數(shù)據(jù)集是驗證實驗，本文SFDAPF方法在高光譜遙感圖像變化檢測任務(wù)上的SFDAPF方法是唯一一個在2個數(shù)據(jù)集同時取得虛魯棒性和泛化性。警與漏檢平衡的檢測方法，這充分說明了本文表3各方法在農(nóng)場高光譜遙感數(shù)據(jù)集上采用不同評估指標(biāo)的檢測結(jié)果Table3Detectionresultsofdifferentmethodsusingdifferentevaluationindicatorsonfarmlandhyperspectralremotesensingdataset方法KappaF1時間/s0.931380.894280.968480.808470.937820.882910.915816.98×10-2PCA-CVA0.928770.875800.878170.966040.934310.951003.24×10-10.650430.950850.350000.356730.857980.751290.776540.909320.970040.848610.837990.954810.913520.934811.77×1020.946370.922120.970620.852130.953530.911180.936196.330.951480.922930.860070.955860.915450.939491.36×102SFDAPF0.975000.967661.94×101注：粗體表示為每個評估指標(biāo)中的最高精度。AA為平均精度；OAu和OAc分別為未變化像元和變化像元總體精度；Kappa為用于一致性檢驗評估指標(biāo)。圖10各方法在農(nóng)場高光譜遙感數(shù)據(jù)集上的變化檢測效果Fig.10Changedetectioneffectofeachmethodonfarmlandhyperspectralremotesensingdataset周承樂等：光譜—頻域?qū)傩阅Ｊ饺诤系母吖庾V遙感圖像變化檢測1173.6像元屬性模式的可分性分析圖11為河流與農(nóng)場高光譜遙感數(shù)據(jù)集上6個變化檢測方法與本文提出的GCASD與SFDAPF方法的變化像元和非變化像元檢測統(tǒng)計范圍對比結(jié)果。藍色與紅色分別為變化與非變化像元的檢測統(tǒng)計范圍，其中，藍色矩形與紅色矩形相距越遠表示變化像元與非變化像元的可分離性越大。如圖11（a）所示，河流數(shù)據(jù)集上，傳統(tǒng)方法整體表現(xiàn)為不同屬性模式之間可分性較低（即CVA與以外，SALA與MMPs方法均表現(xiàn)出良好的可分性。相比之下，本文GCASD方法在非變化像元抑制方面略有優(yōu)勢，尤其是，對GCASD方法進行顯著性水平增強后的SFDAPF方法，在屬性模式可分性以及非變化屬性模式抑制方面有著顯著改善。此結(jié)果表明：本文將梯度向光性光譜絕對距離與頻域顯著性水平進行融合，有助于變化檢測任務(wù)的精度提升。圖11（b）呈現(xiàn)了各方法在農(nóng)場數(shù)據(jù)集上各方法檢測統(tǒng)計結(jié)果，由圖11可知，本文SFDAPF方法能夠在梯度相關(guān)光譜絕對距離的基礎(chǔ)上更好的抑制非變化像元的屬性模式，同時比傳統(tǒng)的和最新的檢測方法更具變化與非變化屬性模式之間的可分性。因此，河流與農(nóng)場數(shù)據(jù)集上的檢測統(tǒng)計結(jié)果進一步說明了本文SFDAPF方法在雙時相高光譜遙感圖像變化檢測任務(wù)上的有效性和泛化性。0.90.80.70.60.50.40.30.20.100.90.80.70.60.50.40.30.20.10CVAPCVAIRMADPTCDSALAMMPsGCASDSFDAPFCVAPCVAIRMADPTCDSALAMMPsGCASDSFDAPF方法CVAPCVAIRMADPTCDSALAMMPsGCASDSFDAPFCVAPCVAIRMADPTCDSALAMMPsGCASDSFDAPF方法變化未變化圖11各變化檢測方法在河流與農(nóng)場高光譜遙感數(shù)據(jù)集上變化與非變化像元的歸一化檢測統(tǒng)計范圍Fig.11Normalizeddetectionstatisticrangeofchangingandnon-changingpixelsbyeachmethodinhyperspectralremotesensingdatasetsofriverandfarmland本文提出的光譜—頻域?qū)傩阅Ｊ饺诤系母吖庾V遙感圖像變化檢測GCASD方法充分考慮了光譜信息表征及鄰域空間信息利用。光譜信息表征方面，在光譜角權(quán)重絕對距離的基礎(chǔ)上進行改進并設(shè)計了GCASD方法，其新穎之處有兩個方面1）在計算梯度相關(guān)性光譜絕對距離之前使用圖像分組與融合方法，在幾乎不影響檢測精度的情況下極大地降低了檢測過程的計算量2）將8連通鄰域像元與中心像元余弦相關(guān)性的平均梯度作為權(quán)重縮放因子，使像元屬性模式從光譜信息表征方面得到了逐級量化?？臻g信息利用方面，借助于傅里葉變換理論，從頻域特征表示中的高頻信息與幅度特征關(guān)系中設(shè)計了SE方法，該方法能夠有效抑制非變化像元的屬性模式，從而使得GCASD與SE融合后的SFDAPF方法能夠顯著改善變化與非變化像元屬性模式之間的可分性，有效地提升了變化檢測的精度。然而，本文SFDAPF方法在梯度相關(guān)性光譜絕對距離計算階段僅考慮了像元的單窗口8連通鄰域，并未對像元的雙窗口鄰域光譜信息表征進行118NationalRemoteSensingBulletin遙感學(xué)報2024,28（1）深入探討，相比于單窗口，雙窗口在孤立變化像元及大面積變化區(qū)域可能具有更好的變化屬性模式的鑒別能力。此外，SFDAPF方法在顯著性增強階段僅利用了頻域表示特征中的幅度特征，并未對相位特征在變化屬性模式顯著性增強方面的作用進行深入挖掘。因此，未來的研究工作將在SFDAPF算法的基礎(chǔ)上進一步探索雙窗口光譜信息表征以及頻域表示特征的相位信息對雙時相高光譜遙感圖像變化檢測的作用及貢獻。參考文獻（References）BaisantryM,NegiDSandManochaOP.2012.Changevectoranaly-sisusingenhancedPCAandinversetriangularfunction-basedthresholding.DefenceScienceJournal,62(4):236-242[DOI:10.14429/dsj.62.1072]BovoloF,BruzzoneLandMarconciniM.2008.AnovelapproachtounsupervisedchangedetectionbasedonasemisupervisedSVMandasimilaritymeasure.IEEETransactionsonGeoscienceandRemoteSensing,46(7):2070-2082[DOI:10.1109/TGRS.2008.916643]CarvalhoJrOA,Guimar?esRF,GillespieAR,SilvaNCandGomesRAT.2011.Anewapproachtochangevectoranalysisusingdis-tanceandsimilaritymeasures.RemoteSensing,3(11):2473-2493[DOI:10.3390/rs3112473]CongRM,LeiJJ,FuHZ,ChengMM,LinWSandHuangQM.2019.Reviewofvisualsaliencydetectionwithcomprehensivein-formation.IEEETransactionsoncircuitsandSystemsforVideoTechnology,29(10):2941-2959[DOI:10.1109/TCSVT.2018.2870832]DemirB,BovoloFandBruzzoneL.2012.Detectionofland-covertransitionsinmultitemporalremotesensingimageswithactive-learning-basedcompoundclassification.IEEETransactionsonGeoscienceandRemoteSensing,50(5):1930-1941[DOI:10.1109/TGRS.2011.2168534]DuB,RuLX,WuCandZhangLP.2019.Unsuperviseddeepslow featureanalysisforchangedetectioninmulti-temporalremote sensingimages.IEEETransactionsonGeoscienceandRemote Sensing,57(12):9976-9992[DOI:10.1109/TGRS.2019.2930682]DuPJ,LiuSC,GambaP,TanKandXiaJS.2012.Fusionofdiffer- enceimagesforchangedetectionoverurbanareas.IEEEJournal ofSelectedTopicsinAppliedEarthObservationsandRemote Sensing,5(4):1076-1086[DOI:10.1109/JSTARS.2012.2200879]GaoF,WangX,DongJYandWangSK.2018.Syntheticaperturera-darimagechangedetectionbasedonfrequency-domainanalysisandrandommultigraphs.JournalofAppliedRemoteSensing,12(1):016010[DOI:10.1117/1.JRS.12.016010].HematiM,HasanlouM,MahdianpariMandMohammadimaneshF.2021.Asystematicreviewoflandsatdataforchangedetectionapplications:50yearsofmonitoringtheearth.RemoteSensing,13(15):2869[DOI:10.3390/rs13152869]HouXDandZhangLQ.2007.Saliencydetection:aspectralresidualapproach//ProceedingsofIEEEConferenceonComputerVisionandPatternRecognition.Minneapolis:IEEE:1-8[DOI:10.1109/CVPR.2007.383267]HouZF,LiWandDuQ.2021.Apatchtensor-basedchangedetectionmethodforhyperspectralimages//Proceedingsof2021IEEEIn-ternationalGeoscienceandRemoteSensingSymposium.Belgium:IEEE:4328-4331[DOI:10.1109/IGARSS47720.2021.9554630]HouZF,LiW,LiL,TaoRandDuQ.2022.Hyperspectralchangede-tectionbasedonmultiplemorphologicalprofiles.IEEETransac-tionsonGeoscienceandRemoteSensing,60:5507312[DOI:10.1109/TGRS.2021.3090802]HuMQ,WuC,DuBandZhangLP.2023.Binarychangeguidedhy-perspectralmulticlasschangedetection.IEEETransactionsonIm-ageProcessing,32:791-806[DOI:10.1109/TIP.2022.3233187]JaemsiriJ,TitijaroonrojTandRungrattanaubolJ.2019.Modifiedscale-spaceanalysisinfrequencydomainbasedonadaptivemulti-scaleGaussianfilterforsaliencydetection//Proceedingsof201916thInternationalJointConferenceonComputerScienceandSoftwareEngineering.Chonburi:IEEE:218-223[DOI:10.1109/JCSSE.2019.8864211]KochCandPoggioT.1999.Predictingthevisualworld:silenceisgolden.NatureNeuroscience,2(1):9-10[DOI:10.1038/4511]KwanC.2019.Methodsandchallengesusingmultispectralandhyper-spectralimagesforpracticalchangedetectionapplications.Infor-mation,10(11):353[DOI:10.3390/info10110353]LiJ,LevineMD,AnXJ,XuXandHeHG.2013.Visualsaliencybasedonscale-spaceanalysisinthefrequencydomain.IEEETransactionsonPatternAnalysisandMachineIntelligence,35(4):996-1010[DOI:10.1109/TPAMI.2012.147]LiMK,LiM,ZhangP,WuY,SongWYandAnL.2019.SARimagechangedetectionusingPCANetguidedbysaliencydetection.IEEEGeoscienceandRemoteSensingLetters,16(3):402-406[DOI:10.1109/LGRS.2018.2876616]LiuSC,MarinelliD,BruzzoneLandBovoloF.2019.Areviewofchangedetectioninmultitemporalhyperspectralimages:currenttechniques,applications,andchallenges.IEEEGeoscienceandRemoteSensingMagazine,7(2):140-158[DOI:10.1109/MGRS.2019.2898520]LuoFL,DuB,ZhangLP,ZhangLFandTaoDC.2019.Featurelearningusingspatial-spectralhypergraphdiscriminantanalysisforhyperspectralimage.IEEETransactionsonCybernetics,49(7):2406-2419[DOI:10.1109/TCYB.2018.2810806]MarchesiSandBruzzoneL.2009.ICAandkernelICAforchangede-tectioninmultispectralremotesensingimages//Proceedingsof周承樂等：光譜—頻域?qū)傩阅Ｊ饺诤系母吖庾V遙感圖像變化檢測1192009IEEEInternationalGeoscienceandRemoteSensingSympo-sium.CapeTown:IEEE:II-980-II-983[DOI:10.1109/IGARSS.2009.5418265]NielsenAA.2007.TheregularizediterativelyreweightedMADmeth-odforchangedetectioninmulti-andhyperspectraldata.IEEETransactionsonImageProcessing,16(2):463-478[DOI:10.1109/TIP.2006.888195]Ortiz-RiveraV,Vélez-ReyesMandRoysamB.2006.Changedetec-tioninhyperspectralimageryusingtemporalprincipalcompo-nents//ProceedingsVolume6233,AlgorithmsandTechnologiesforMultispectral,Hyperspectral,andUltraspectralImageryXII.Orlando:SPIE:368-377[DOI:10.1117/12.667961]OuXF,LiuLZ,TuB,ZhangGYandXuZ.2022.ACNNframe-workwithslow-fastbandselectionandfeaturefusiongroupingforhyperspectralimagechangedetection.IEEETransactionsonGeoscienceandRemoteSensing,60:5524716[DOI:10.1109/TGRS.2022.3156041]PrasadSandBruceLM.2008.Limitationsofprincipalcomponentsanalysisforhyperspectraltargetrecognition.IEEEGeoscienceandRemoteSensingLetters,5(4):625-629[DOI:10.1109/LGRS.2008.2001282]ShangXD,SongMP,WangYL,YuCY,YuHY,LiFandChangCI.2021.Target-constrainedinterference-minimizedbandselectionforhyperspectraltargetdetection.IEEETransactionsonGeosci-enceandRemoteSensing,59(7):6044-6064[DOI:10.1109/TGRS.2020.3010826]SongA,ChoiJ,HanYandKimY.2018.Changedetectioninhyper-spectralimagesusingrecurrent3Dfullyconvolutionalnetworks.RemoteSensing,10(11):1827[DOI:10.3390/rs10111827]SrivastavaA,LeeAB,SimoncelliEPandZhuSC.2003.Onadvanc- esinstatisticalmodelingofnaturalimages.JournalofMathematical ImagingandVision,18(1):17-33[DOI:10SuHJ.2022.Dimensionalityreductionforhyperspectralremotesens- ing:advances,challenges,andprospects.NationalRemoteSens-ingBulletin,26(8):1504-1529.(蘇紅軍.2022.高光譜遙感影像降維:進展、挑戰(zhàn)與展望.遙感學(xué)報,26(8):1504-1529)[DOI:10.11834/jrs.20210354]SuHJ,WuZY,ZhangHHandDuQ.2022.Hyperspectralanom