- 相關(guān)推薦
SAR變化檢測研究綜述
1 引言
遙感變化檢測是指通過對不同時(shí)期同一區(qū)域的遙感圖像進(jìn)行比較分析，根據(jù)圖像之間的差異得到我們所需要的地物或目標(biāo)的變化信息�，F(xiàn)代遙感技術(shù)的飛速發(fā)展為變化檢測提供了一種便捷的途徑，遙感數(shù)據(jù)成為變化檢測的主要數(shù)據(jù)源。
與可見光和紅外遙感相比，微波遙感具有無可比擬的優(yōu)點(diǎn)：微波能穿透云霧、雨雪，具有全天候、全天時(shí)的工作能力。二，微波對地物有一定穿透能力。三，采用側(cè)視方式成像，覆蓋面積大。正是這些優(yōu)點(diǎn)，使得SAR 圖像日益成為變化檢測的重要數(shù)據(jù)源。
SAR 變化檢測技術(shù)的需求日益廣泛。目前，全球壞境變化加劇，城市急速發(fā)展，洪水、地震等自然災(zāi)害時(shí)有發(fā)生，這些都需要及時(shí)掌握相關(guān)動(dòng)態(tài)信息，為相關(guān)決策部門提供支持，而SAR 的種種優(yōu)點(diǎn)為快速響應(yīng)提供了技術(shù)支持和應(yīng)急保障。
2 變化檢測的研究內(nèi)容
2.1 圖像配準(zhǔn)
圖像的配準(zhǔn)精度對變化檢測的精度影響很大，如果圖像沒有較高精度的配準(zhǔn)，則圖像的錯(cuò)位會(huì)帶來大量的虛警。因此，針對這一方面，Dai 和Khorran[1]得出的結(jié)論為：好的變化檢測結(jié)果需要高精度的配準(zhǔn)算法。Jeannie Moulton [2]等針對多時(shí)相SAR 圖像的平移及偏轉(zhuǎn)誤差提出一種解決方法。意大利的Paolo [3]針對高分辨SAR 影像配準(zhǔn)的困難，提出基于象元與特征相結(jié)合的方法進(jìn)行未精確配準(zhǔn)的變化檢測研究。
2.2 噪聲抑制
基于 SAR 圖像的變化檢測對斑點(diǎn)的抑制要求很高：降班算法要既能有效降斑，還能保持圖像的細(xì)節(jié)信息。因此，需要采用性能良好的自適應(yīng)降斑方法來完成。相干斑抑制方法可以分為兩類：一類是成像前的多視平滑處理，但同時(shí)也降低了圖像的空間分辨率，所以目前常用的方法為成像后的去相干斑噪聲的濾波技術(shù)。濾波方法主要有：（1）傳統(tǒng)方法，如均值濾波、中值濾波等；（2）模型方法，假定靜態(tài)的噪聲模型，采用相應(yīng)的濾波器進(jìn)行處理，如Kalman 濾波和Lee 濾波；（3）幾何濾波方法，如Gamma MAP 濾波；（4）基于局域統(tǒng)計(jì)自適應(yīng)濾波，這種方法能在平滑噪聲的同時(shí)較好的保持邊緣信息，是目前的SAR 變化檢測常用的方法。
2.3 變化信息提取及后處理
進(jìn)行變化信息提取時(shí)，可以選擇適當(dāng)?shù)淖兓瘷z測方法對兩個(gè)時(shí)相的遙感影像進(jìn)行變化信息的提取。根據(jù)實(shí)際野外觀測提供目標(biāo)區(qū)變化的真實(shí)信息，并借助相關(guān)統(tǒng)計(jì)資料和專題資料對變化信息進(jìn)行后處理，歸并小圖斑，消除提取出的變化信息中的偽變化信息[4]。
2.4 精度評價(jià)
通常采取誤差矩陣法進(jìn)行精度評價(jià)。根據(jù)真實(shí)變化圖與變化信息圖比較，歸納到誤差矩陣中。變化誤差矩陣如表1。
根據(jù)這一變化誤差矩陣，變化檢測的性能可以通過下面的參數(shù)來定量分析：
虛警率 Pjd 為實(shí)際未變化但檢測為發(fā)生變化的比例，表示了檢測出的變化點(diǎn)中誤判點(diǎn)的比例。
Pjd= Cjd/ C0 (1)
漏檢率Pir 為實(shí)際發(fā)生變化但檢測為未變化的比例，表示了未檢測出的變化點(diǎn)在所有變化點(diǎn)中的比例。
Pir= Cir/ C1 (2)
檢測概率Pid 為實(shí)際發(fā)生變化或非變化且檢測為變化或非變化的比例，表示了對所有變化區(qū)域的檢測百分比。
Pid= （Cid+ Cir ）/ （C0+ C1） (3)
3 常用的變化檢測算法
SAR 圖像變化檢測是研究不同時(shí)期的同一場景圖像之間發(fā)生的變化。歸結(jié)起來，近些年逐步形成的SAR 圖像變化檢測方法可以分為：(1)基于簡單代數(shù)運(yùn)算的變化檢測，經(jīng)典的變化檢測方法包括圖像差值法、圖像比值法、對數(shù)比值法；(2)基于圖像變換的變換檢測，經(jīng)典的變化檢測方法包括主成分分析、變化向量分析法、相關(guān)分析法圖像變換法；(3)基于圖像分類的變化檢測方法。
3.1 代數(shù)運(yùn)算法
早期變化檢測的主要方法是利用圖像差值法，主要利用兩幅圖像對應(yīng)像素點(diǎn)的灰度差值作為變化判別依據(jù)，該方法簡單、直接，但是容易受成像質(zhì)量、噪聲等的影響。圖像差值法應(yīng)用于海岸線環(huán)境、森林變化、沙漠化等。與差值法相比，比值差異圖像與原始SAR 圖像的平均強(qiáng)度值無關(guān)，對于SAR 圖像的乘性噪聲不敏感，而且減少了輻射定標(biāo)誤差的影響。
圖像比值法對于SAR 圖像上的乘性噪聲是不敏感的，被廣泛用于城區(qū)變化檢測。對數(shù)比值法，在得到對應(yīng)像素的比值后，再取其對數(shù)，能壓縮圖像的變化范圍，將乘性噪聲轉(zhuǎn)換為加性噪聲。代數(shù)運(yùn)算法的優(yōu)點(diǎn)是直接、簡單，主要缺點(diǎn)在于(1)沒有考慮多時(shí)相圖像之間的相關(guān)性，簡單計(jì)算可能出現(xiàn)虛警率；(2)變化閾值確定困難。
3.2 圖像變換法
Lillesand[5]提出的主分量法，又稱K-L 變換，是一種經(jīng)典的數(shù)學(xué)變換方法，把原來多個(gè)波段中的有用信息集中到互不相關(guān)的新成分圖像中，達(dá)到冗余壓縮和信息集中的目的。在進(jìn)行主成分變換時(shí)，利用協(xié)方差矩陣和相關(guān)矩陣得到的主分量是不同的，由相關(guān)矩陣推導(dǎo)的主分量變換對于多時(shí)相分析是尤其有用的[6][7]。
Malila 提出了變化向量分析法(Change Vector Analysis,CVA)[6],Johnson[8]等詳細(xì)闡述了這種方法的具體內(nèi)容、優(yōu)缺點(diǎn)。變化向量法是一種多變量的方法，描述從第一時(shí)間到第二時(shí)間的光譜變化的強(qiáng)度和方向。如果變化向量的幅值超過給定的門限，則判定該像素發(fā)生變化，變化向量的方向包含變化類型信息。該方法可用在多通道極化SAR 圖像的變化檢測，或者用于多特征，如空間結(jié)構(gòu)特征，紋理特征等分析。
相關(guān)分析法，斑點(diǎn)的時(shí)相去相關(guān)提供了地表在結(jié)構(gòu)或介電特性上可能的變化信息，并且這種變化檢測不依賴于定標(biāo)精度。實(shí)際應(yīng)用中，通常使用一般的強(qiáng)度圖像來計(jì)算斑點(diǎn)相關(guān)系數(shù)，不考慮相位信息。
3.3 分類法分類
后比較法，在70 年代末開始應(yīng)用于Landsat 衛(wèi)星影像的變化檢測。分類后比較法是對每幅圖像單獨(dú)進(jìn)行分類，然后對圖像的分類結(jié)果圖進(jìn)行比較，以確定變化的類別和區(qū)域。
如果對應(yīng)像素的分類類別相同，則認(rèn)為該像素沒有發(fā)生變化，否則認(rèn)為該像素發(fā)生了變化。
使用分類法的優(yōu)點(diǎn)主要有：(1)可以給出區(qū)域變化的類型、位置、數(shù)量等有關(guān)地物性質(zhì)信息；(2)受圖像配準(zhǔn)的影響要小。此方法的主要缺點(diǎn)是它受分類器的影響很大，不同的分類器能夠決定變化檢測的精度高低。
同時(shí)分類法，將多時(shí)相圖像構(gòu)成一副復(fù)合影像進(jìn)行分類，得到的分類結(jié)果圖中的每一類代表一種變化類型。此方法能夠減少分類時(shí)間，但是難于標(biāo)記變化類別，而且分類更加復(fù)雜，對訓(xùn)練樣本的選取相當(dāng)高。
隨著計(jì)算機(jī)技術(shù)的發(fā)展，解決復(fù)雜問題的各種數(shù)學(xué)方法與專家知識被逐漸加入。人工神經(jīng)網(wǎng)絡(luò)、向量機(jī)、專家智能等方法成為熱點(diǎn)。
4 國內(nèi)外研究現(xiàn)狀
近幾十年來，SAR 變化檢測技術(shù)被越來越多的國內(nèi)外學(xué)者所關(guān)注。國外，SAR 變化檢測技術(shù)方興未艾，國內(nèi)，該技術(shù)正處于起步階段[9]。
4.1 國外現(xiàn)狀
國外，Vilasenor [10]利用兩幅重軌ERS-1 SAR 影像對阿拉斯加北坡地區(qū)進(jìn)行了變化檢測，驗(yàn)證了雷達(dá)后向散射強(qiáng)度的差值比較可以作為變化檢測的一種方法。Rignot[11]等人根據(jù)多視SAR 強(qiáng)度影像服從Gamma 分布的假設(shè)，從理論上證明了比值法更適合多時(shí)相SAR 影像的變化檢測。Bazi[12] [13] [14][15]、Bruzzone[16]等在多時(shí)相SAR 比值圖像的閾值變化檢測算法上展開一系列研究。針對直接代數(shù)運(yùn)算法沒有考慮到象元的空間上下文信息，誤檢和漏檢現(xiàn)象嚴(yán)重，近幾年來出現(xiàn)了在此基礎(chǔ)上的基于上下文空間關(guān)系的變化檢測，主要從兩個(gè)方面進(jìn)行改進(jìn)。一方面，單尺度上利用差異圖像的上下文關(guān)系進(jìn)行進(jìn)一步的優(yōu)化得到變化圖, Bruzzone[17]
首先利用 Markov 隨機(jī)場對差值圖像進(jìn)行分析，并求得最優(yōu)的變化檢測結(jié)果。文獻(xiàn)[18][19][20][21][22]都是基于馬爾科夫隨機(jī)場進(jìn)行上下文分析。文獻(xiàn)[23][24]利用神經(jīng)網(wǎng)絡(luò)進(jìn)行上下文分析；另一方面，利用差異圖像的小波多尺度信息進(jìn)行優(yōu)化得到變化圖，如Bovolo[25],Inglada[26],Celik.T[27][28]利用多尺度小波信息進(jìn)行變化信息的優(yōu)化。
Fung [29],Gong [30]等先后將主成份變換應(yīng)用于變化檢測中。Qiu[31]等人將分塊主分量分析(Multi-Block PCA)法應(yīng)用于圖像變化檢測。
Rignot[11]等人利用ERS-1 的重軌影像進(jìn)行了不同方法的變換檢測，得出，對于單視影像或者是視數(shù)較小的多視影像，基于去相關(guān)的變換檢測方法效果最好。Corri[32]通過計(jì)算三幅多時(shí)相影像兩兩之間的相關(guān)系數(shù)進(jìn)行變化檢測，并提出一種對建筑物變化敏感的檢測方法。
Hyung Sup [33]等利用多時(shí)相JERS-1SAR 數(shù)據(jù)，進(jìn)行了多種方法的變化檢測，認(rèn)為去相關(guān)法對于檢測物體屬性的變化是非常有用的方法。Takashi[34]等用相關(guān)系數(shù)法以及標(biāo)準(zhǔn)偏差系數(shù)法進(jìn)行了比較，發(fā)現(xiàn)，相關(guān)系數(shù)法提取的區(qū)域要小于標(biāo)準(zhǔn)差系數(shù)的區(qū)域，對于大面積區(qū)域，更適合用標(biāo)準(zhǔn)差系數(shù)法來進(jìn)行變化檢測。
Roger[35]等利用Seasat 和SIR-B 不同時(shí)相圖像，用最小距離分類器得到了森林主要變化類型的大小和范圍。White [36]對基于模型與基于神經(jīng)網(wǎng)絡(luò)方法進(jìn)行了比較，認(rèn)為神經(jīng)網(wǎng)絡(luò)訓(xùn)練得當(dāng)，則此方法優(yōu)于基于模型的方法。Fabio [37]等提取出后向強(qiáng)度、相關(guān)參數(shù)以及紋理參數(shù)特征，進(jìn)行神經(jīng)網(wǎng)絡(luò)監(jiān)督分類，進(jìn)行變化檢測。Welismiller[38]等采用同時(shí)分類法進(jìn)行了德克薩斯地區(qū)海岸帶環(huán)境變化檢測。
White[36]針對SAR 圖像的斑點(diǎn)噪聲以及配準(zhǔn)問題，提出基于圖像分割的方法，并利用神經(jīng)元網(wǎng)絡(luò)進(jìn)行對象識別，在此基礎(chǔ)上進(jìn)行變化檢測。Craves[39]對多時(shí)相ERS-SAR 數(shù)據(jù)進(jìn)行了分割，分割后的圖像疊加起來進(jìn)行檢測。日本L．Zhu [40]利用分水嶺分割實(shí)現(xiàn)建筑物提取，在此基礎(chǔ)上進(jìn)行變化檢測。瑞典的Hongtao Hu [41]等利用面向?qū)ο蠓指罘椒�，然后進(jìn)行特征選擇，利用神經(jīng)網(wǎng)絡(luò)分類提高分類精度，最后進(jìn)行變化檢測。Francesca [42]對多時(shí)相SAR 影像進(jìn)行分割，分割后的圖像利用距離測度確定變換圖像，進(jìn)一步設(shè)定閾值進(jìn)行變化檢測。
4.2 國內(nèi)現(xiàn)狀
熊博蒞[43]在差值圖像基礎(chǔ)上對閾值的自動(dòng)選擇算法進(jìn)行了研究.王超等[44]利用radasat-1數(shù)據(jù)對蚌埠市進(jìn)行比值法變化檢測。金亞秋[45][46] [47]、廖明生[48],江利明[49],宋妍[50]，王桂婷[51]，申邵洪[52]采用馬爾科夫隨機(jī)場模型描述SAR 比值差異圖像的空間上下文信息，進(jìn)行了基于該模型的變化檢測。張路[53]利用顧及上下文關(guān)系的貝葉斯理論進(jìn)行變化區(qū)域提取。王桂婷等[54],李杰等[55]進(jìn)行了基于小波變換的多尺度融合檢測方法。
張輝等[56][57]將向量化后的兩SAR 圖像組成的矩陣進(jìn)行主分量分解,利用分解后的次分量表征為圖像的變化部分。
廖明生[58]利用多時(shí)相SAR 影像的比值以及相關(guān)系數(shù)組成二維圖像進(jìn)行變化檢測，此方法比用單一方法檢測更加有效。
王永平等[59]對SAR 圖像進(jìn)行聚類分析，對聚類后的圖像引入M 距離進(jìn)行變化檢測。黃勇等[60]對原圖像進(jìn)行分塊，利用每一塊內(nèi)的紋理特征和灰度特征進(jìn)行非監(jiān)督變化檢測。黃玉琴[61]把地統(tǒng)計(jì)學(xué)紋理應(yīng)用到SAR 圖像分類中，得到城市覆蓋區(qū)的專題信息。趙小杰[62]計(jì)算出不同的紋理特征，用K 近鄰法進(jìn)行聚類后再進(jìn)行變化檢測，并與比值法以及差值法比較，得出該方法適合城區(qū)變化檢測的結(jié)論。
黃勇[63] [64]首先對兩幅SAR 圖像進(jìn)行似然比分割，利用距離函數(shù)進(jìn)行變化檢測。蔡純[65]
在模擬退火分割基礎(chǔ)上，進(jìn)行了區(qū)域似然比的變化檢測。文獻(xiàn)[66]用模糊知識分類器進(jìn)行對象分類,進(jìn)行分類后比較。Hong Chi[66]用模糊知識分類器進(jìn)行對象分類,進(jìn)行分類后比較。
種勁松等 [67][68]利用紋理差值變化檢測方法，采用最小錯(cuò)誤率的貝葉斯方法對北京地區(qū)Radarsat 多時(shí)相數(shù)據(jù)進(jìn)行變化檢測。張軍團(tuán) [69]著重研究了二階灰度特征，提出了基于二階統(tǒng)計(jì)特性的SAR 圖像變化檢測算法，在目標(biāo)與背景強(qiáng)度差距大的情況取得很好的變化檢測效果。
變化檢測的各種方法各有優(yōu)缺點(diǎn)，各有適用范圍，實(shí)際應(yīng)用中，哪種好壞沒有定論。區(qū)域不同、需要不同，方法的選擇也不同。
5 前景
目前的 SAR 變化檢測算法大部分為中低分辨率、象元級、單極化的SAR 影像變化檢測。最近幾年，SAR 成像技術(shù)日益成熟，圖像質(zhì)量逐漸提高，分辨率不斷增強(qiáng)，獲取數(shù)據(jù)的能力和精度越來越高，圖像獲取越來越便捷。尤其是2007 年，德國TerrraSAR-X 和意大利Cosmo-SkyMed 新型雷達(dá)系統(tǒng)的出現(xiàn)，引起了雷達(dá)遙感研究和應(yīng)用的熱潮。隨著新型雷達(dá)系統(tǒng)的出現(xiàn)，SAR 變化檢測的前景會(huì)更加廣闊：
1 高空間分辨率使得SAR 圖像能夠在較小的空間尺度上探測細(xì)節(jié)變化，實(shí)現(xiàn)對建筑物、道路等地面目標(biāo)細(xì)微特征的探測。
2 多極化方式能夠使得雷達(dá)圖像的解譯變得更為容易，實(shí)現(xiàn)在變化信息提取的基礎(chǔ)上進(jìn)一步確定變化類型。
3 高空間分辨率影像的紋理結(jié)構(gòu)更加清晰，紋理特征成為重要的識別信息，實(shí)現(xiàn)特征級變化檢測。
因此，隨著雷達(dá)技術(shù)的發(fā)展，SAR 的變化檢測研究將會(huì)實(shí)現(xiàn)高分辨率、特征級、多極化的變化檢測，進(jìn)而在軍事偵查、探測，資源環(huán)境監(jiān)測，土地利用與覆蓋變化以及災(zāi)害評估與監(jiān)測等方面起到越來越重要的作用。
中國碩士論文網(wǎng)提供大量免費(fèi)碩士畢業(yè)論文,如有業(yè)務(wù)需求請咨詢網(wǎng)站客服人員！
參考文獻(xiàn)
[1]X.Dai and S.Khorram．The effects of image misregistration on the accuracy of remotely sensed changedetection[J]．IEEE Transaction on Geoscience and Remote Sens，1998，36(5)：1566–1577．
[2]Jannie Moulton，Saleem Kassam，F(xiàn)auzia Ahmad，etc．Target and change detection in synthetic aperture radarsensing of urban structures[J]．Radar Conference, 2012，5：1-6．
[3]Paolo Gamba，F(xiàn)abil Dell ， Gianni Lisini．Change detection of mulittemporal SAR data in urban areacombining feature-based and pixel-based techniques[J]． IEEE Transaction on Geoscience and Remote Sensing，2006，44(10)：2820-2827．
[4] 吳芳，劉榮，田維春，等．遙感變化檢測技術(shù)及其應(yīng)用綜述[J]．地理空間信息，2007，5(4)：57-60．
[5]Lillesnad，T.M．，R．W．Keief．Remote Sensing and Image Interpretation，2nd Edition．John Wiley&Sons，1979．
[6]Ashbindu Singh．Principal components analysis in remote sensing[J]．IEEE Geoscience and Remote Sensing，1993，18-21(4)：1680-1682．
[7]張路．基于多元統(tǒng)計(jì)分析的遙感影像變化檢測方法研究[D]．武漢：武漢大學(xué)，2004．
[8]Malila，W.A． Change vector analysis：an approach for detecting forest changes with Landsat．Proceeding，LARS Machine Processing of Remotely Sensed Data Sympostium，W．Lafayette，in：Laboratory for theApplication of Remote Sensing：326－335．
[9]陳富龍，張紅，王超．SAR 變化檢測技術(shù)發(fā)展綜述[J]．遙感技術(shù)與應(yīng)用，2007， 22（1）：109-115．
[10]Vilasenor L D．Eatland D R，Hinzman L D． Change detection on Alaska's North Slope using repeat-passERS-1 SAR images[J]．IEEE Transactions on Geoscience and Remote Sensing，1993，31(1)：227-236．
[11]Eric J， Rignot M．Change Detection techniques for ERS-1 SAR data[J]．IEEE Transactions on Geoscienceand Remote Sensing，1993，(31)4：896-906．
[12]Bazi Y，Bruzzone L，Melgani F．Automatic identification of the number and value of decision thresholds in thelog-ratio images for change detection in SAR images[J]．IEEE Geoscience and Remote Sensing，2006，3(3)：349-353．
[13]Bazi.Y，Bruzzone．L，Melgani．F．An unsupervised approach based on the generalized Gaussian model toautomatic change detection in multitemporal SAR images[J]．IEEE Geoscience and Remote Sensing，2005．43(4)：874-887．
[14]Bazi.Y，Bruzzone．L，Melgani．F．Automatic identification of the number and values of decision thresholdsin the log-ratio image for change detection in SAR images．IEEE Transactions on Geoscience and RemoteSensing，2006．3(3)：349-353．
[15] Bazi.Y， Bruzzone．L， Melgani．Farid．Image thresholding based on the EM algorithm and the generalizedGaussian distribution．Pattern Recognition．2007，40(2) ：619–634．
[16]Bruzzone.L．A minimum-cost thresholding technique for unsupervised change[J]．Internationa l Journal ofRemote Sensing，2000，21(18)：3539–3544．
[17]Bruzzone.L， Prieto ． D． F ． Automatic analysis of the difference image for unsupervised changedetection[J]．IEEE Geoscience and Remote Sensing，2000，38(3)：1171-1182．
[18]Bruzzone.L，Prieto．D．F．An adaptive semiparametric and context-based approach to unsupervised changedetection in multitemporal remote-sensingimages[J]．IEEE Transactions on Geoscience and Remote Sensing，2002， 11(4) ：452-466．
[19] Kasetkasem ．T and Varshney． P． An Image Change Detection Algorithm Based on Markov Random FieldModels[J]．IEEE Transactions on Geoscience and Remote Sensing，2002，40(8)： 1815–1823．
[20]Derrode．Ｍ， Mercier G，Ｐieczynski W．Unsupervised change detection in SAR images using amulti-component HMC model．Multi-Temp， July， 16-18 2003， Ispra， Italy．
[21]Bazi．Y， Bruzzone．L，andMelgani．F．Change Detection in Multitemporal SAR Images Based on the EM-GAAlgorithm and Markov Random Fields．Proc. of the 3rd Int. Workshop on the Analysis of Multitemporal RemoteSensing Images (MultiTemp 2005), Biloxi, Mississippi, USA, May 2005．
[22] Zied Bouyahia， Lamia Benyoussef，St? ephane Derrode．Change detection in synthetic aperture radar imageswith a sliding hidden Markov chain model．Journal of Applied Remote Sensing，2012．
[23]Ghosh .S， Bruzzone．L， Bovolo．F．etc．a(chǎn)ll．A Context-Sensitive Technique for Unsupervised ChangeDetection Based on Hopfield-Type Neural Networks[j]． IEEE Transactions on Geoscience and RemoteSensing， 2007，45(3)：778-789．
[24]Ghosh.S， Patra.S， Ghosh．A．An unsupervised context-sensitive change detection technique based onmodified self-organizing feature map neural network[J] ． International Journal of ApproximateReasoning．2012 ,50 (1) 37–50．
[25]Bovolo.F and Bruzzone．Lorenzo． A Detail-Preserving Scale-Driven Approach to Change Detection inMultitemporal SAR Images[J]． IEEE Transactions on Geoscience and Remote Sensing， 2005，43(12)：2963-2972．
[26]Jordi Inglada and Grégoire Mercier． A New Statistical Similarity Measure for Change detection inmultitemporal SAR images and its extension to multiscale change analysis[j]． IEEE Transactions onGeoscience and Remote Sensing， 2007，45(5)：1432-1445．
[27]Turgay Celik， Multiscale Change Detection in Multitemporal Satellite Images[J]． IEEE Transactions onGeoscience and Remote Sensing， 2012，6(4)：820-824．
[28]Turgay Celik． A Bayesi anapproach to unsupervised multiscale change detection in SAR images[]J． SignalProcessing，2012，90(5)： 1471-1485．
[29]Fung，T．E．Ledrew，Application of principal components analysis to change detection[J]．PhotogrammetricEngineering and Remote Sensing，1987，53(12) ：1649-1658．
[30]Gong.P． Change detection using principal component analysis and fuzzy set theory ．Canadian Journal ofRemote Sensing，1993 ，19(1)： 22-29．
[31]Qiu B，Prinet V，Perrier E，and Monga O．Multi-block PCA method for image change detection．Proceedingsof 12thinternational conference on image analysis and processing，，Mantova，Italy，17-19 Sept，2003：385-390．
[32]Corr D G．Coherent change detection for urban development monitoring[J]，IEEE Geoscience and RemoteSensing ，Apr 1997， Vol：6/1-6/6．
[33]Hyung S J ，Ho N L，Vong W L．Change detection using multi-temporal SAR images ．
[34]Takashi Nonaka，Takashi Shibayama，Hiroko Umakawa．A comparison of the methods for the urban landcover change detection by high resolution SAR data[J]．IEEE Transactions on Geoscience and Remote Sensing，2007，Vol，23-28，July， 3470-3473．
[35]Roger M．Hoffer，Kyu-sung Lee，F(xiàn)orest change classification using seasat and SIR-B satellite SAR data．IEEETransactions on Geoscience and Remote Sensing，1989，Vol 3， 10-14 Jul，1372-1375．
[36]White R．G，Change detection in SAR imagery．IEEE Transactions on Geoscience and Remote
【SAR變化檢測研究綜述】相關(guān)文章：
關(guān)于公司治理與股利政策的關(guān)系研究綜述06-08
論文綜述的格式12-20
文獻(xiàn)綜述格式09-27
化學(xué)綜述論文12-22
醫(yī)學(xué)綜述的寫作方法12-06