基于慢特征分析的高分辨率遥感影像场景变化检测方法研究

Scene change detection can recognize and analyze the variation of scene classes of the study region with multi-temporal remote sensing images. It is one of the most advanced topics for the intelligent interpretation of remote sensing data. However, due to the diversity and complexity of landscapes encoded in the scene, there are several problems for traditional scene change detection method, including the different feature representations of multi-temporal scenes, the accurate change detection of complex scenes, and the accurate recognition of change types. Therefore, focusing on the correlation and complementary of multi-temporal scene features, this project will develop a systematic, automatic and robust scene change detection method for high-resolution remote sensing imagery based on slow feature analysis. This work will be employed under the framework of "joint feature representation - change detection - change type recognition", and mainly contains: joint feature representation for multi-temporal scenes, scene change detection with nonlinear slow feature analysis, and scene change type recognition fusing probability information. The proposed method of this project will improve the ability of information extraction of multi-temporal remote sensing data, and have great significance in the practical applications, such as city development monitoring and land-use change survey.

场景变化检测能够根据多时相遥感影像识别和分析同一区域的场景类别变化情况，是遥感数据智能解译领域的前沿课题，具有重要的研究意义。由于场景内部地物的多样性和复杂性，传统的场景变化检测方法会存在多时相场景特征表达不一致、复杂场景变化难以检测、场景变化类型无法精确识别的问题。为此，本项目拟深入研究多时相场景特征的相关性和互补性，围绕慢特征分析理论，以“联合特征表达——变化检测——变化类型识别”为研究框架，发展系统、自动、稳健的高分辨率遥感影像场景变化检测方法。主要研究内容包括：多时相场景联合特征表达、非线性慢特征分析变化检测以及融合概率信息的场景变化类型识别。本项目研究成果有望明显提高多时相遥感数据的信息提取能力，在城市发展监测、土地利用变化调查等领域具有很高的应用价值。

本项目围绕着多时相场景特征的相关性和互补性，开展了高分辨率多时相影像场景的联合特征表达、变化检测和变化类型识别等方向的研究，项目进展顺利，达到预期目标，共发表SCI期刊论文11篇、EI期刊论文1篇、EI会议论文5篇，包括中科院一区SCI期刊论文2篇、二区SCI期刊论文6篇、三区SCI期刊论文3篇，其中13篇论文都为第一标注资助项目。在人才培养方面，项目负责人成功申请面上项目、获得副教授职称，项目组成员4名博士生、2名硕士生均顺利毕业。本项目具体取得成果包括：（1）针对多时相高分辨率遥感影像场景表达的统一性、有效性需求，本项目提出了深度典型相关分析网络模型、联合稀疏表达模型，对多时相影像场景进行有效编码，为场景变化特征提取与检测奠定基础；（2）针对多时相场景特征维度高、差异大、结构复杂的问题，本项目提出了核慢特征分析模型、深度慢特征分析模型、深度孪生多尺度卷积网络模型等理论方法，能够提取出多尺度、深层次的场景变化特征，为变化场景的精确检测与识别提供有效特征；（3）顾及多时相遥感影像场景的相关性和互补性，本项目提出了贝叶斯后验概率融合策略、DS证据理论融合策略、多类别场景下的主动学习模型，通过概率理论和不确定性理论，融合多种场景识别信息和变化检测信息，提高多时相影像场景的解译精度和智能化程度；（4）在本项目的支持下，项目组还深化了遥感数据时间信息解译的研究工作，调研并总结了当前变化检测的研究进展，发表了变化检测研究综述论文；对研究成果进行了应用，提出了基于多时相多源高分辨率遥感影像的不透水面提取方法；针对当前最新的动态卫星视频观测技术，开展了卫星视频小目标跟踪研究。此外，在本项目的资助下，项目组还发布了一套多时相场景变化检测数据集、一组场景标记工具软件。综上所述，本项目严格按照计划顺利实施，成功达到项目研究目标，取得预期成果，显著提高了多时相遥感数据的信息解译能力。