1. 遥感图像变化检测到底在解决什么问题第一次接触变化检测的人脑子里蹦出来的画面通常是两张卫星图叠在一起不同的地方圈出来就完事了。真上手跑一遍数据就会发现事情远没有这么简单。遥感图像变化检测本质上是从同一区域、不同时间获取的两幅或多幅影像中定量分析地表覆盖发生的变化并把变化的位置、范围、类型提取出来。它要回答的核心问题是这片区域在A时刻到B时刻之间哪些地方变了、变成了什么、变化量有多大。这个技术能做的事情非常具体。比如林业部门需要掌握某片林区一年内的采伐和恢复情况靠人工逐块对比卫星图一个人盯一天也看不完一个县。再比如城市扩张监测五年间哪些农田变成了建成区哪些水体被填埋用变化检测跑一遍几小时就能出一份带坐标的统计报告。还有灾害评估地震或洪水过后需要快速圈定受损区域变化检测能在拿到灾后影像的第一时间给出初步范围。适合看这篇内容的人我大致分三类。第一类是做遥感相关课题的研究生需要快速建立变化检测的技术框架知道每种方法的适用边界。第二类是GIS或测绘方向的工程师手头有双时相影像想找一个能落地的处理流程。第三类是对地观测应用领域的从业者比如自然资源监测、农业估产、环境评估方向需要把变化检测集成到自己的业务系统里。不管你是哪一类下面这些内容都是从实际项目里摔打出来的不是教科书上的理想化流程。需要提前说明一点变化检测不是万能钥匙。它有一个硬前提两期影像的获取条件要尽量一致。传感器类型、空间分辨率、成像季节、太阳高度角、大气条件这些因素只要有一项差异过大检测结果里就会混入大量伪变化。我见过太多人拿着不同季节的影像直接跑差值结果整个植被区全被标成变化实际上只是夏天和冬天的叶绿素含量不同。所以在讨论任何算法之前先把数据关把住这是所有后续工作的地基。2. 变化检测的核心方法体系与选型逻辑2.1 从像素到对象三个层级的检测思路变化检测的方法可以按处理单元分成三个层级像素级、对象级和场景级。像素级是最细的直接对每个像元做比较适合高分辨率影像中细小变化的提取比如单栋建筑的增减。对象级是先做影像分割把相邻且光谱相似的像元合并成对象再对对象做变化判断好处是能抑制椒盐噪声适合中分辨率影像的大范围监测。场景级则是把整幅影像作为一个语义单元判断场景类别是否发生变化比如从农田场景变成工业场景适合粗粒度的宏观分析。选哪个层级取决于你的数据分辨率和应用需求。0.5米到2米的高分影像像素级和对象级都可以但对象级需要额外的分割步骤分割参数调不好反而引入误差。10米到30米的中分辨率影像比如Sentinel-2或Landsat系列对象级通常更稳因为单个像元的光谱波动太大直接做像素比较容易误判。至于场景级一般用在米级以下的低分辨率影像或者需要快速筛查的场景。2.2 差值法、比值法与分类后检测的适用边界差值法和比值法是变化检测里最基础的两把刀。差值法就是把两期影像对应波段的像素值相减取绝对值超过阈值的判为变化。它的优点是计算量极小原理直观适合快速出初步结果。但差值法对辐射差异极其敏感两期影像如果没做相对辐射归一化减出来的结果基本没法看。比值法是把两期像素值相除比值接近1的判为未变化偏离1的判为变化。比值法对乘性噪声有一定的抑制能力但遇到分母接近0的情况会爆炸需要加一个很小的常数做保护。分类后检测是另一条路。先对每期影像单独做分类得到两幅分类图再逐像素比较类别标签标签不同的就是变化。这种方法的优势是能直接给出变化类型比如从水体变成建设用地而不是仅仅告诉你“这里变了”。但它有一个致命弱点分类误差会累积。如果第一期分类精度是85%第二期也是85%那么分类后检测的理论精度上限只有约72%。所以用这条路分类器的选择和训练样本的质量比变化检测算法本身更重要。方法计算复杂度对辐射差异的敏感度能否给出变化类型适用场景差值法极低极高否快速筛查、同源同时相影像比值法极低中等否水体变化、植被指数变化分类后检测高低是需要变化类型、多类别监测变化向量分析中等中等部分多波段影像、变化强度分级变化向量分析CVA是介于差值法和分类后检测之间的一种方法。它把每个像素在多维光谱空间中的变化表示为一个向量向量的模长代表变化强度方向代表变化类型。CVA的好处是能同时利用多个波段的信息而且可以通过设定模长阈值来分级变化强度。实际项目中我经常用CVA做初筛再用分类后检测做精细分类两者结合比单用任何一种都稳。2.3 深度学习方法带来的范式转变近几年基于深度学习的变化检测方法逐渐成为主流尤其是U-Net及其变体在遥感语义分割中的成功直接推动了变化检测精度的提升。传统方法依赖手工设计的特征和阈值而深度学习方法可以自动学习从输入影像到变化图的映射。典型的网络结构是双分支编码器分别提取两期影像的特征然后在解码阶段做特征融合最后输出变化概率图。这种方法的优势在于对复杂变化的建模能力。比如城市边缘的渐进式扩张传统方法很难区分“新建建筑”和“裸土变建筑”的细微差异但深度学习网络可以通过训练样本学到这些模式。不过深度学习不是银弹。它需要大量标注数据而遥感变化检测的标注成本极高尤其是像素级标注。我参与过一个森林变化检测项目标注了500对影像块三个人花了将近一个月。所以如果你的数据量不够或者变化类型非常罕见传统方法可能反而更务实。3. 实操流程从数据准备到变化图输出3.1 数据预处理决定成败的隐形环节拿到两期影像后第一件事不是急着跑算法而是做预处理。预处理的质量直接决定后续所有步骤的上限。我通常按以下顺序操作第一步几何配准。两期影像必须在同一坐标系下严格对齐配准误差控制在半个像元以内。如果配准有偏差变化检测会把边缘错位误判为变化。实际操作中可以用ENVI或GDAL的自动配准工具做粗配准再选20到30个地面控制点做精配准。控制点要均匀分布避免集中在某一角落。第二步辐射归一化。这是最容易被忽略但最关键的步骤。两期影像的辐射差异来源很多传感器老化、大气条件不同、太阳高度角变化。如果不做归一化差值法出来的结果会有一层“底色”整个影像都偏亮或偏暗。常用的方法是相对辐射归一化选一期作为参考另一期做线性变换使两期影像在未变化区域的像素值分布尽量一致。具体做法是选取未变化区域的样本点拟合线性回归方程然后对整幅影像做变换。第三步影像裁剪与掩膜。如果研究区只占影像的一部分先裁剪出感兴趣区域减少计算量。同时生成云掩膜和水体掩膜把云影和稳定水体排除在变化检测之外。云影的变化是伪变化稳定水体在大多数应用场景下不需要检测。注意辐射归一化的样本点必须选在确认未变化的区域。如果选到了变化区域归一化会引入系统性偏差。我通常会在两期影像上叠加显示手动勾选明显未变化的区域比如大片裸地或成熟林地。3.2 差值法与比值法的参数计算与阈值选取差值法的核心参数是阈值。阈值选大了漏检选小了误检。最稳妥的方法是统计差值影像的直方图未变化区域通常集中在0附近呈近似正态分布。阈值可以设为均值加减2到3倍标准差。但这个方法假设未变化区域占主导如果研究区变化面积超过30%直方图会双峰不明显需要改用Otsu自适应阈值。比值法需要处理分母为零的情况。我的做法是给分母加一个极小常数比如0.001避免除零错误。比值影像中未变化区域的比值接近1变化区域偏离1。阈值同样可以用统计方法确定但比值分布不是正态的通常取对数后再做统计。import numpy as np from osgeo import gdal # 读取两期影像 def read_image(path): ds gdal.Open(path) band ds.GetRasterBand(1) arr band.ReadAsArray().astype(np.float32) return arr img_t1 read_image(t1.tif) img_t2 read_image(t2.tif) # 差值法 diff np.abs(img_t2 - img_t1) mean_diff np.mean(diff) std_diff np.std(diff) threshold mean_diff 2.5 * std_diff change_map_diff (diff threshold).astype(np.uint8) # 比值法 ratio img_t2 / (img_t1 0.001) log_ratio np.log(ratio) mean_lr np.mean(log_ratio) std_lr np.std(log_ratio) threshold_lr 2.5 * std_lr change_map_ratio (np.abs(log_ratio) threshold_lr).astype(np.uint8)这段代码是最基础的版本实际项目中还需要做后处理比如形态学开闭运算去除孤立噪点或者用连通域分析过滤面积过小的变化斑块。3.3 分类后检测的完整实现路径分类后检测的流程比差值法长但每一步都有明确的产出。我以随机森林分类器为例走一遍完整路径。第一步定义分类体系。根据应用需求确定类别比如水体、林地、农田、建成区、裸地五类。类别不宜过多每类至少要有50到100个训练样本。第二步特征提取。除了原始波段加入NDVI、NDWI、NDBI等指数以及纹理特征如GLCM的对比度和熵。多特征能显著提升分类精度但要注意特征之间的相关性避免冗余。第三步训练分类器。用第一期影像的训练样本训练随机森林再用第二期影像的样本训练另一个随机森林。两期分类器独立训练不要共用样本因为地物光谱可能随时间变化。第四步分类与比较。对两期影像分别分类得到两幅分类图逐像素比较标签。标签不同的像素即为变化像素标签对给出变化类型。from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score # 假设 X_train_t1, y_train_t1 为第一期训练数据和标签 rf_t1 RandomForestClassifier(n_estimators200, max_depth15, random_state42) rf_t1.fit(X_train_t1, y_train_t1) rf_t2 RandomForestClassifier(n_estimators200, max_depth15, random_state42) rf_t2.fit(X_train_t2, y_train_t2) # 预测 pred_t1 rf_t1.predict(X_all_t1) pred_t2 rf_t2.predict(X_all_t2) # 变化检测 change_mask (pred_t1 ! pred_t2) change_type list(zip(pred_t1[change_mask], pred_t2[change_mask]))分类后检测的精度瓶颈在分类器。我实测下来随机森林在中等分辨率影像上通常能到85%到90%的总体精度但变化检测的精度会打折扣。如果两期分类精度都是88%变化检测精度大约在78%左右。想提升要么提高单期分类精度要么引入变化检测专用的后处理比如用MRF马尔可夫随机场做空间一致性约束。3.4 基于U-Net的深度学习变化检测实战深度学习这条路我建议有一定数据积累后再上。如果手头只有几十对影像传统方法更划算。但如果你有几百对以上的标注数据U-Net类网络能带来明显的精度提升。网络结构上我常用的是孪生U-Net两个编码器共享权重分别处理两期影像然后在每个尺度上做特征差分或拼接解码器逐步上采样恢复分辨率。损失函数用Dice Loss加BCE Loss的组合Dice Loss对类别不平衡更鲁棒因为变化像素通常只占很小比例。训练时的关键参数学习率用1e-4优化器选Adambatch size根据显存调整通常8到16。数据增强很重要随机翻转、旋转、色彩抖动都能用但要注意两期影像必须做相同的几何变换否则变化区域会对不上。import torch import torch.nn as nn class SiameseUNet(nn.Module): def __init__(self, in_channels3, out_channels1): super().__init__() # 编码器共享权重 self.enc1 self._block(in_channels, 64) self.enc2 self._block(64, 128) self.enc3 self._block(128, 256) # 解码器 self.up1 nn.ConvTranspose2d(256, 128, 2, stride2) self.dec1 self._block(256, 128) self.up2 nn.ConvTranspose2d(128, 64, 2, stride2) self.dec2 self._block(128, 64) self.out nn.Conv2d(64, out_channels, 1) def _block(self, in_ch, out_ch): return nn.Sequential( nn.Conv2d(in_ch, out_ch, 3, padding1), nn.BatchNorm2d(out_ch), nn.ReLU(inplaceTrue), nn.Conv2d(out_ch, out_ch, 3, padding1), nn.BatchNorm2d(out_ch), nn.ReLU(inplaceTrue) ) def forward(self, x1, x2): # 编码 e1_1 self.enc1(x1) e1_2 self.enc1(x2) e2_1 self.enc2(nn.MaxPool2d(2)(e1_1)) e2_2 self.enc2(nn.MaxPool2d(2)(e1_2)) e3_1 self.enc3(nn.MaxPool2d(2)(e2_1)) e3_2 self.enc3(nn.MaxPool2d(2)(e2_2)) # 特征差分 diff torch.abs(e3_1 - e3_2) # 解码 d1 self.up1(diff) d1 torch.cat([d1, torch.abs(e2_1 - e2_2)], dim1) d1 self.dec1(d1) d2 self.up2(d1) d2 torch.cat([d2, torch.abs(e1_1 - e1_2)], dim1) d2 self.dec2(d2) return torch.sigmoid(self.out(d2))这个网络结构是我在实际项目中调整过的版本特征差分用绝对值而不是简单相减能更好地捕捉双向变化。训练时用早停策略验证集损失连续5个epoch不下降就停避免过拟合。4. 常见问题与排查技巧实录4.1 伪变化太多怎么办伪变化是变化检测里最头疼的问题。表现是检测结果里有一大片区域被标为变化但实际去看影像地物并没有本质改变。常见原因和排查方法如下现象可能原因排查方法解决措施整幅影像大面积变化辐射归一化没做或做错检查两期影像的直方图分布重新做相对辐射归一化边缘区域变化密集几何配准误差叠加两期影像看边缘是否对齐重新配准控制点精度到亚像元植被区季节性变化成像季节差异查成像日期对比物候选择同季节影像或加入物候校正云影区域误检云掩膜不完整目视检查云影范围完善云掩膜膨胀几个像元水体边界波动水位变化对比两期水体范围若水位变化非关注目标掩膜水体我踩过最深的坑是辐射归一化。有一次偷懒没做直接用差值法结果整个影像的差值均值偏移了15个灰度级阈值怎么调都不对。后来老老实实选未变化区域做线性回归归一化后再跑伪变化减少了70%以上。4.2 变化阈值怎么定才靠谱阈值选取没有万能公式但有一套可复现的流程。先做差值影像的直方图观察分布形态。如果未变化区域占主导直方图会在0附近有一个尖峰变化区域是右侧的拖尾。这时候取尖峰右侧的谷底作为阈值比较合理。如果直方图双峰明显说明变化面积较大可以用Otsu方法自动求阈值。实际操作中我通常会生成三档阈值的结果保守阈值均值3倍标准差、中等阈值均值2.5倍标准差、激进阈值均值2倍标准差。然后叠加原图目视对比选一个误检和漏检平衡最好的。这个过程听起来主观但比盲目套用自动阈值可靠得多。提示阈值确定后建议用形态学后处理清理结果。先做开运算去除孤立小斑块再做闭运算填充变化区域内部的空洞。结构元素大小根据最小关注图斑的尺寸来定比如最小关注0.5公顷就选对应像元数的结构元素。4.3 分类后检测的误差累积怎么破分类后检测的误差累积是结构性问题但可以通过几个手段缓解。第一提高单期分类精度用多特征、多分类器集成。第二对分类结果做空间平滑比如用MRF或引导滤波减少椒盐噪声。第三引入变化检测专用的验证样本不要只用单期分类精度来推断变化检测精度。我做过一个对比实验两期分类精度都是87%的情况下直接比较标签得到的变化检测精度是76%。加入MRF空间约束后变化检测精度提升到82%。再引入变化检测验证样本做阈值微调最终到85%。所以分类后检测不是跑完分类就结束了后处理的空间还很大。4.4 深度学习模型训练不收敛的排查清单深度学习变化检测训练不收敛通常不是网络结构的问题而是数据或训练策略的问题。按以下顺序排查检查数据标注质量。变化区域的标注是否准确有没有漏标或错标。我见过一个项目标注人员把云影也标成了变化模型学到的全是噪声。检查数据归一化。输入影像的像素值是否归一化到0到1或标准化到均值0方差1。不同波段的量纲差异大会导致训练震荡。检查损失函数。变化像素占比通常很小BCE Loss会被未变化像素主导。换成Dice Loss或Focal Loss试试。检查学习率。学习率太大导致震荡太小导致收敛慢。用学习率预热和余弦退火策略通常有效。检查batch size。batch size太小梯度噪声大太大显存不够。8到16是比较稳妥的范围。我遇到过一次训练loss一直卡在0.6不下降排查了两天最后发现是数据加载时两期影像的随机增强没有同步一期翻转了一期没翻转变化区域完全对不上。这种低级错误在代码量大的时候很容易犯建议写一个可视化检查脚本每个epoch随机抽几对影像和标签显示出来肉眼确认。5. 从检测结果到业务报告后处理与精度评估变化图跑出来只是半成品要变成能交付的业务成果还需要后处理和精度评估。后处理包括变化斑块矢量化、面积统计、变化类型归并。矢量化用GDAL的Polygonize面积统计按投影坐标系计算变化类型归并则根据应用需求把细分类合并成大类。精度评估是很多人敷衍的环节但它是判断结果能不能用的唯一依据。变化检测的精度评估不能用单期分类的混淆矩阵必须用变化检测专用的验证样本。我通常随机生成200到300个验证点人工判读两期影像确定每个点是否真的发生变化。然后计算混淆矩阵得到总体精度、Kappa系数、漏检率和误检率。指标计算公式业务含义总体精度(TPTN)/(TPTNFPFN)整体判对的比例漏检率FN/(TPFN)实际变化但没检出的比例误检率FP/(FPTN)实际未变化但误判为变化的比例Kappa系数(Po-Pe)/(1-Pe)排除随机一致后的精度漏检率和误检率的取舍取决于业务场景。灾害应急场景下漏检的代价远大于误检宁可多标不可漏标阈值要调低。而年度土地利用变更调查误检太多会增加外业核查工作量阈值要调高。没有一刀切的标准得看你的业务能承受多大的核查成本。最后分享一个我在多个项目中验证过的小技巧把变化检测结果和原始影像叠加生成一个三波段合成图R通道放变化强度G通道放第一期影像的灰度B通道放第二期影像的灰度。这样变化区域会呈现明显的红色未变化区域是灰色调目视检查效率极高。这个图可以直接放进报告里非技术背景的决策者也能一眼看懂哪里变了。
1. 遥感图像变化检测到底在解决什么问题第一次接触变化检测的人脑子里蹦出来的画面通常是两张卫星图叠在一起不同的地方圈出来就完事了。真上手跑一遍数据就会发现事情远没有这么简单。遥感图像变化检测本质上是从同一区域、不同时间获取的两幅或多幅影像中定量分析地表覆盖发生的变化并把变化的位置、范围、类型提取出来。它要回答的核心问题是这片区域在A时刻到B时刻之间哪些地方变了、变成了什么、变化量有多大。这个技术能做的事情非常具体。比如林业部门需要掌握某片林区一年内的采伐和恢复情况靠人工逐块对比卫星图一个人盯一天也看不完一个县。再比如城市扩张监测五年间哪些农田变成了建成区哪些水体被填埋用变化检测跑一遍几小时就能出一份带坐标的统计报告。还有灾害评估地震或洪水过后需要快速圈定受损区域变化检测能在拿到灾后影像的第一时间给出初步范围。适合看这篇内容的人我大致分三类。第一类是做遥感相关课题的研究生需要快速建立变化检测的技术框架知道每种方法的适用边界。第二类是GIS或测绘方向的工程师手头有双时相影像想找一个能落地的处理流程。第三类是对地观测应用领域的从业者比如自然资源监测、农业估产、环境评估方向需要把变化检测集成到自己的业务系统里。不管你是哪一类下面这些内容都是从实际项目里摔打出来的不是教科书上的理想化流程。需要提前说明一点变化检测不是万能钥匙。它有一个硬前提两期影像的获取条件要尽量一致。传感器类型、空间分辨率、成像季节、太阳高度角、大气条件这些因素只要有一项差异过大检测结果里就会混入大量伪变化。我见过太多人拿着不同季节的影像直接跑差值结果整个植被区全被标成变化实际上只是夏天和冬天的叶绿素含量不同。所以在讨论任何算法之前先把数据关把住这是所有后续工作的地基。2. 变化检测的核心方法体系与选型逻辑2.1 从像素到对象三个层级的检测思路变化检测的方法可以按处理单元分成三个层级像素级、对象级和场景级。像素级是最细的直接对每个像元做比较适合高分辨率影像中细小变化的提取比如单栋建筑的增减。对象级是先做影像分割把相邻且光谱相似的像元合并成对象再对对象做变化判断好处是能抑制椒盐噪声适合中分辨率影像的大范围监测。场景级则是把整幅影像作为一个语义单元判断场景类别是否发生变化比如从农田场景变成工业场景适合粗粒度的宏观分析。选哪个层级取决于你的数据分辨率和应用需求。0.5米到2米的高分影像像素级和对象级都可以但对象级需要额外的分割步骤分割参数调不好反而引入误差。10米到30米的中分辨率影像比如Sentinel-2或Landsat系列对象级通常更稳因为单个像元的光谱波动太大直接做像素比较容易误判。至于场景级一般用在米级以下的低分辨率影像或者需要快速筛查的场景。2.2 差值法、比值法与分类后检测的适用边界差值法和比值法是变化检测里最基础的两把刀。差值法就是把两期影像对应波段的像素值相减取绝对值超过阈值的判为变化。它的优点是计算量极小原理直观适合快速出初步结果。但差值法对辐射差异极其敏感两期影像如果没做相对辐射归一化减出来的结果基本没法看。比值法是把两期像素值相除比值接近1的判为未变化偏离1的判为变化。比值法对乘性噪声有一定的抑制能力但遇到分母接近0的情况会爆炸需要加一个很小的常数做保护。分类后检测是另一条路。先对每期影像单独做分类得到两幅分类图再逐像素比较类别标签标签不同的就是变化。这种方法的优势是能直接给出变化类型比如从水体变成建设用地而不是仅仅告诉你“这里变了”。但它有一个致命弱点分类误差会累积。如果第一期分类精度是85%第二期也是85%那么分类后检测的理论精度上限只有约72%。所以用这条路分类器的选择和训练样本的质量比变化检测算法本身更重要。方法计算复杂度对辐射差异的敏感度能否给出变化类型适用场景差值法极低极高否快速筛查、同源同时相影像比值法极低中等否水体变化、植被指数变化分类后检测高低是需要变化类型、多类别监测变化向量分析中等中等部分多波段影像、变化强度分级变化向量分析CVA是介于差值法和分类后检测之间的一种方法。它把每个像素在多维光谱空间中的变化表示为一个向量向量的模长代表变化强度方向代表变化类型。CVA的好处是能同时利用多个波段的信息而且可以通过设定模长阈值来分级变化强度。实际项目中我经常用CVA做初筛再用分类后检测做精细分类两者结合比单用任何一种都稳。2.3 深度学习方法带来的范式转变近几年基于深度学习的变化检测方法逐渐成为主流尤其是U-Net及其变体在遥感语义分割中的成功直接推动了变化检测精度的提升。传统方法依赖手工设计的特征和阈值而深度学习方法可以自动学习从输入影像到变化图的映射。典型的网络结构是双分支编码器分别提取两期影像的特征然后在解码阶段做特征融合最后输出变化概率图。这种方法的优势在于对复杂变化的建模能力。比如城市边缘的渐进式扩张传统方法很难区分“新建建筑”和“裸土变建筑”的细微差异但深度学习网络可以通过训练样本学到这些模式。不过深度学习不是银弹。它需要大量标注数据而遥感变化检测的标注成本极高尤其是像素级标注。我参与过一个森林变化检测项目标注了500对影像块三个人花了将近一个月。所以如果你的数据量不够或者变化类型非常罕见传统方法可能反而更务实。3. 实操流程从数据准备到变化图输出3.1 数据预处理决定成败的隐形环节拿到两期影像后第一件事不是急着跑算法而是做预处理。预处理的质量直接决定后续所有步骤的上限。我通常按以下顺序操作第一步几何配准。两期影像必须在同一坐标系下严格对齐配准误差控制在半个像元以内。如果配准有偏差变化检测会把边缘错位误判为变化。实际操作中可以用ENVI或GDAL的自动配准工具做粗配准再选20到30个地面控制点做精配准。控制点要均匀分布避免集中在某一角落。第二步辐射归一化。这是最容易被忽略但最关键的步骤。两期影像的辐射差异来源很多传感器老化、大气条件不同、太阳高度角变化。如果不做归一化差值法出来的结果会有一层“底色”整个影像都偏亮或偏暗。常用的方法是相对辐射归一化选一期作为参考另一期做线性变换使两期影像在未变化区域的像素值分布尽量一致。具体做法是选取未变化区域的样本点拟合线性回归方程然后对整幅影像做变换。第三步影像裁剪与掩膜。如果研究区只占影像的一部分先裁剪出感兴趣区域减少计算量。同时生成云掩膜和水体掩膜把云影和稳定水体排除在变化检测之外。云影的变化是伪变化稳定水体在大多数应用场景下不需要检测。注意辐射归一化的样本点必须选在确认未变化的区域。如果选到了变化区域归一化会引入系统性偏差。我通常会在两期影像上叠加显示手动勾选明显未变化的区域比如大片裸地或成熟林地。3.2 差值法与比值法的参数计算与阈值选取差值法的核心参数是阈值。阈值选大了漏检选小了误检。最稳妥的方法是统计差值影像的直方图未变化区域通常集中在0附近呈近似正态分布。阈值可以设为均值加减2到3倍标准差。但这个方法假设未变化区域占主导如果研究区变化面积超过30%直方图会双峰不明显需要改用Otsu自适应阈值。比值法需要处理分母为零的情况。我的做法是给分母加一个极小常数比如0.001避免除零错误。比值影像中未变化区域的比值接近1变化区域偏离1。阈值同样可以用统计方法确定但比值分布不是正态的通常取对数后再做统计。import numpy as np from osgeo import gdal # 读取两期影像 def read_image(path): ds gdal.Open(path) band ds.GetRasterBand(1) arr band.ReadAsArray().astype(np.float32) return arr img_t1 read_image(t1.tif) img_t2 read_image(t2.tif) # 差值法 diff np.abs(img_t2 - img_t1) mean_diff np.mean(diff) std_diff np.std(diff) threshold mean_diff 2.5 * std_diff change_map_diff (diff threshold).astype(np.uint8) # 比值法 ratio img_t2 / (img_t1 0.001) log_ratio np.log(ratio) mean_lr np.mean(log_ratio) std_lr np.std(log_ratio) threshold_lr 2.5 * std_lr change_map_ratio (np.abs(log_ratio) threshold_lr).astype(np.uint8)这段代码是最基础的版本实际项目中还需要做后处理比如形态学开闭运算去除孤立噪点或者用连通域分析过滤面积过小的变化斑块。3.3 分类后检测的完整实现路径分类后检测的流程比差值法长但每一步都有明确的产出。我以随机森林分类器为例走一遍完整路径。第一步定义分类体系。根据应用需求确定类别比如水体、林地、农田、建成区、裸地五类。类别不宜过多每类至少要有50到100个训练样本。第二步特征提取。除了原始波段加入NDVI、NDWI、NDBI等指数以及纹理特征如GLCM的对比度和熵。多特征能显著提升分类精度但要注意特征之间的相关性避免冗余。第三步训练分类器。用第一期影像的训练样本训练随机森林再用第二期影像的样本训练另一个随机森林。两期分类器独立训练不要共用样本因为地物光谱可能随时间变化。第四步分类与比较。对两期影像分别分类得到两幅分类图逐像素比较标签。标签不同的像素即为变化像素标签对给出变化类型。from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score # 假设 X_train_t1, y_train_t1 为第一期训练数据和标签 rf_t1 RandomForestClassifier(n_estimators200, max_depth15, random_state42) rf_t1.fit(X_train_t1, y_train_t1) rf_t2 RandomForestClassifier(n_estimators200, max_depth15, random_state42) rf_t2.fit(X_train_t2, y_train_t2) # 预测 pred_t1 rf_t1.predict(X_all_t1) pred_t2 rf_t2.predict(X_all_t2) # 变化检测 change_mask (pred_t1 ! pred_t2) change_type list(zip(pred_t1[change_mask], pred_t2[change_mask]))分类后检测的精度瓶颈在分类器。我实测下来随机森林在中等分辨率影像上通常能到85%到90%的总体精度但变化检测的精度会打折扣。如果两期分类精度都是88%变化检测精度大约在78%左右。想提升要么提高单期分类精度要么引入变化检测专用的后处理比如用MRF马尔可夫随机场做空间一致性约束。3.4 基于U-Net的深度学习变化检测实战深度学习这条路我建议有一定数据积累后再上。如果手头只有几十对影像传统方法更划算。但如果你有几百对以上的标注数据U-Net类网络能带来明显的精度提升。网络结构上我常用的是孪生U-Net两个编码器共享权重分别处理两期影像然后在每个尺度上做特征差分或拼接解码器逐步上采样恢复分辨率。损失函数用Dice Loss加BCE Loss的组合Dice Loss对类别不平衡更鲁棒因为变化像素通常只占很小比例。训练时的关键参数学习率用1e-4优化器选Adambatch size根据显存调整通常8到16。数据增强很重要随机翻转、旋转、色彩抖动都能用但要注意两期影像必须做相同的几何变换否则变化区域会对不上。import torch import torch.nn as nn class SiameseUNet(nn.Module): def __init__(self, in_channels3, out_channels1): super().__init__() # 编码器共享权重 self.enc1 self._block(in_channels, 64) self.enc2 self._block(64, 128) self.enc3 self._block(128, 256) # 解码器 self.up1 nn.ConvTranspose2d(256, 128, 2, stride2) self.dec1 self._block(256, 128) self.up2 nn.ConvTranspose2d(128, 64, 2, stride2) self.dec2 self._block(128, 64) self.out nn.Conv2d(64, out_channels, 1) def _block(self, in_ch, out_ch): return nn.Sequential( nn.Conv2d(in_ch, out_ch, 3, padding1), nn.BatchNorm2d(out_ch), nn.ReLU(inplaceTrue), nn.Conv2d(out_ch, out_ch, 3, padding1), nn.BatchNorm2d(out_ch), nn.ReLU(inplaceTrue) ) def forward(self, x1, x2): # 编码 e1_1 self.enc1(x1) e1_2 self.enc1(x2) e2_1 self.enc2(nn.MaxPool2d(2)(e1_1)) e2_2 self.enc2(nn.MaxPool2d(2)(e1_2)) e3_1 self.enc3(nn.MaxPool2d(2)(e2_1)) e3_2 self.enc3(nn.MaxPool2d(2)(e2_2)) # 特征差分 diff torch.abs(e3_1 - e3_2) # 解码 d1 self.up1(diff) d1 torch.cat([d1, torch.abs(e2_1 - e2_2)], dim1) d1 self.dec1(d1) d2 self.up2(d1) d2 torch.cat([d2, torch.abs(e1_1 - e1_2)], dim1) d2 self.dec2(d2) return torch.sigmoid(self.out(d2))这个网络结构是我在实际项目中调整过的版本特征差分用绝对值而不是简单相减能更好地捕捉双向变化。训练时用早停策略验证集损失连续5个epoch不下降就停避免过拟合。4. 常见问题与排查技巧实录4.1 伪变化太多怎么办伪变化是变化检测里最头疼的问题。表现是检测结果里有一大片区域被标为变化但实际去看影像地物并没有本质改变。常见原因和排查方法如下现象可能原因排查方法解决措施整幅影像大面积变化辐射归一化没做或做错检查两期影像的直方图分布重新做相对辐射归一化边缘区域变化密集几何配准误差叠加两期影像看边缘是否对齐重新配准控制点精度到亚像元植被区季节性变化成像季节差异查成像日期对比物候选择同季节影像或加入物候校正云影区域误检云掩膜不完整目视检查云影范围完善云掩膜膨胀几个像元水体边界波动水位变化对比两期水体范围若水位变化非关注目标掩膜水体我踩过最深的坑是辐射归一化。有一次偷懒没做直接用差值法结果整个影像的差值均值偏移了15个灰度级阈值怎么调都不对。后来老老实实选未变化区域做线性回归归一化后再跑伪变化减少了70%以上。4.2 变化阈值怎么定才靠谱阈值选取没有万能公式但有一套可复现的流程。先做差值影像的直方图观察分布形态。如果未变化区域占主导直方图会在0附近有一个尖峰变化区域是右侧的拖尾。这时候取尖峰右侧的谷底作为阈值比较合理。如果直方图双峰明显说明变化面积较大可以用Otsu方法自动求阈值。实际操作中我通常会生成三档阈值的结果保守阈值均值3倍标准差、中等阈值均值2.5倍标准差、激进阈值均值2倍标准差。然后叠加原图目视对比选一个误检和漏检平衡最好的。这个过程听起来主观但比盲目套用自动阈值可靠得多。提示阈值确定后建议用形态学后处理清理结果。先做开运算去除孤立小斑块再做闭运算填充变化区域内部的空洞。结构元素大小根据最小关注图斑的尺寸来定比如最小关注0.5公顷就选对应像元数的结构元素。4.3 分类后检测的误差累积怎么破分类后检测的误差累积是结构性问题但可以通过几个手段缓解。第一提高单期分类精度用多特征、多分类器集成。第二对分类结果做空间平滑比如用MRF或引导滤波减少椒盐噪声。第三引入变化检测专用的验证样本不要只用单期分类精度来推断变化检测精度。我做过一个对比实验两期分类精度都是87%的情况下直接比较标签得到的变化检测精度是76%。加入MRF空间约束后变化检测精度提升到82%。再引入变化检测验证样本做阈值微调最终到85%。所以分类后检测不是跑完分类就结束了后处理的空间还很大。4.4 深度学习模型训练不收敛的排查清单深度学习变化检测训练不收敛通常不是网络结构的问题而是数据或训练策略的问题。按以下顺序排查检查数据标注质量。变化区域的标注是否准确有没有漏标或错标。我见过一个项目标注人员把云影也标成了变化模型学到的全是噪声。检查数据归一化。输入影像的像素值是否归一化到0到1或标准化到均值0方差1。不同波段的量纲差异大会导致训练震荡。检查损失函数。变化像素占比通常很小BCE Loss会被未变化像素主导。换成Dice Loss或Focal Loss试试。检查学习率。学习率太大导致震荡太小导致收敛慢。用学习率预热和余弦退火策略通常有效。检查batch size。batch size太小梯度噪声大太大显存不够。8到16是比较稳妥的范围。我遇到过一次训练loss一直卡在0.6不下降排查了两天最后发现是数据加载时两期影像的随机增强没有同步一期翻转了一期没翻转变化区域完全对不上。这种低级错误在代码量大的时候很容易犯建议写一个可视化检查脚本每个epoch随机抽几对影像和标签显示出来肉眼确认。5. 从检测结果到业务报告后处理与精度评估变化图跑出来只是半成品要变成能交付的业务成果还需要后处理和精度评估。后处理包括变化斑块矢量化、面积统计、变化类型归并。矢量化用GDAL的Polygonize面积统计按投影坐标系计算变化类型归并则根据应用需求把细分类合并成大类。精度评估是很多人敷衍的环节但它是判断结果能不能用的唯一依据。变化检测的精度评估不能用单期分类的混淆矩阵必须用变化检测专用的验证样本。我通常随机生成200到300个验证点人工判读两期影像确定每个点是否真的发生变化。然后计算混淆矩阵得到总体精度、Kappa系数、漏检率和误检率。指标计算公式业务含义总体精度(TPTN)/(TPTNFPFN)整体判对的比例漏检率FN/(TPFN)实际变化但没检出的比例误检率FP/(FPTN)实际未变化但误判为变化的比例Kappa系数(Po-Pe)/(1-Pe)排除随机一致后的精度漏检率和误检率的取舍取决于业务场景。灾害应急场景下漏检的代价远大于误检宁可多标不可漏标阈值要调低。而年度土地利用变更调查误检太多会增加外业核查工作量阈值要调高。没有一刀切的标准得看你的业务能承受多大的核查成本。最后分享一个我在多个项目中验证过的小技巧把变化检测结果和原始影像叠加生成一个三波段合成图R通道放变化强度G通道放第一期影像的灰度B通道放第二期影像的灰度。这样变化区域会呈现明显的红色未变化区域是灰色调目视检查效率极高。这个图可以直接放进报告里非技术背景的决策者也能一眼看懂哪里变了。
