高光谱图像变化检测技术研究进展

相对于自然图像和多光谱图像，高光谱图像包含丰富的空间—光谱信息，不仅能够保留目标的空间信息，还能够获取高度可辨别的光谱信息。因此，如变化检测、目标追踪等高光谱图像处理技术在对地观测任务中得到了广泛应用。然而，在高光谱图像变化检测的过程中仍然存在许多问题与挑战。如高光谱图像的高维复杂性、光谱差异性以及存在光谱混合等问题，影响变化检测效果。得益于深度学习理论的深入研究，高光谱图像变化检测技术研究得到了极大的发展。本文对现有基于深度学习的变化检测方法进行全面分析总结，按照高光谱图像采集条件是否相同，将其分为同构高光谱图像变化检测以及异构高光谱图像变化检测。其中，从特征提取的网络结构优化和特征提取前混合像素处理两个角度，又将同构高光谱图像变化检测方法进一步分为基于时序依赖和空谱信息提取的方法以及基于端元提取和解混的方法，分别总结各类方法的特点和局限性，并讨论未来的研究重点。此外，面对不同传感器获取的异构高光谱图像数据，现有的方法基于图论学习图像的结构关系，并基于图像变换将其转换至公共域从而进行变化检测处理。本文从高光谱图像变化检测领域的新设计、新方法和应用场景出发，通过综合国内外前沿文献来梳理该领域的主要发展，重点论述高光谱图像变化检测领域的发展现状、前沿动态、热点问题及趋势。

Survey of hyperspectral image change detection method