变化检测仓库

在此仓库中，我们提供了一些传统变化检测方法（如 SFA、MAD）、一些基于深度学习的方法（如 SiamCRNN、DSFA）以及基于 FCN 的方法的 Python 实现，或者它们的原始网站。此仓库还包含一些 多时相数据集。如果本仓库能为您的变化检测或遥感图像解译研究提供帮助，我们将非常高兴。

传统方法

变化矢量分析 (CVA)

变化矢量分析 (CVA) [1] 是一种最常用的方法，它可以提供变化强度和变化方向。

慢特征分析 (SFA)

Wu 等人 [2] 提出了一种基于慢特征分析 (SFA) 的新型变化检测 (CD) 方法，旨在找到多时相图像中最不变的成分以突出变化区域。除了变化检测外，SFA 还用于辐射校正 [3] 和场景变化检测 [4]。此仓库包含 SFA 和迭代 SFA 的 Python 实现。MATLAB 实现可在 http://sigma.whu.edu.cn/resource.php 找到。

多元变化检测 (MAD)

MAD 是一种基于典型相关分析 (CCA) 的变化检测算法，旨在最大化投影特征差异的方差。关于 MAD 的详细介绍，请参考 [5] 和 [6]。此仓库包含 MAD 的 Python 实现。MATLAB 实现可在 http://www.imm.dtu.dk/~alan/software.html 找到。

PCA-Kmeans

PCA-Kmeans [12] 将差值图像划分为不重叠的块。通过对不重叠块集进行 PCA (主成分分析) 提取正交归一化特征向量，以创建特征向量空间。差值图像中的每个像素都用一个 S 维特征向量表示，该向量是将差值图像数据投影到生成的特征向量空间的结果。通过使用 k-means 将特征向量空间划分为两个簇来实现变化检测。

深度学习方法

深度慢特征分析 (DSFA)

DSFA 是一种无监督变化检测模型，它利用双流深度神经网络学习非线性特征，并通过线性 SFA 突出变化。关于该方法的详细介绍，请参考 [7]。DSFA 的 Tensorflow 实现可在 https://github.com/rulixiang/DSFANet 或 http://sigma.whu.edu.cn/resource.php 找到。

深度孪生卷积多层循环神经网络 (SiamCRNN)

SiamCRNN 是一个端到端的通用多源变化检测架构，由三个子网络组成：深度孪生卷积神经网络 (DSCNN)、多层循环神经网络 (MRNN) 和全连接 (FC) 层。DSCNN 具有适用于多源图像的灵活结构，能够从同质或异质超高分辨率 (VHR) 图像块中提取空间 - 光谱特征。由长短期记忆 (LSTM) 单元堆叠而成的 MRNN 负责将 DSCNN 提取的空间 - 光谱特征映射到一个新的潜在特征空间，并挖掘它们之间的变化信息。此外，作为 SiamCRNN 最后一部分的 FC 被用来预测变化概率。关于该方法的详细介绍，请参考 [8]。SiamCRNN 的 Tensorflow 实现可在 https://github.com/I-Hope-Peace/SiamCRNN 找到。

深度核主成分分析卷积映射网络 (KPCA-MNet)

KPCA-MNet 专为超高分辨率图像中的无监督二分类和多类变化检测而设计。在 KPCA-MNet 中，高级空间 - 光谱特征图由由权重共享的 KPCA 卷积层组成的深度孪生网络提取。然后，特征差图中的变化信息被映射到二维极域。最后，通过阈值分割和聚类算法生成变化检测结果。关于该方法的详细介绍，请参考 [9]。Python 实现可在 https://github.com/I-Hope-Peace/KPCAMNet 找到。

深度孪生多尺度卷积神经网络

在文献 [14] 和 [15] 中，采用多尺度特征卷积单元 (MFCU) 进行多时相 VHR 图像的变化检测。MFCU 可以在同一层中提取多尺度空间 - 光谱特征。基于该单元，设计了两种新型深度孪生卷积神经网络，分别称为深度孪生多尺度卷积网络 (DSMS-CN) 和深度孪生多尺度全卷积网络 (DSMS-FCN)，分别用于无监督和有监督变化检测。该工作的 Tensorflow 实现可在 https://github.com/I-Hope-Peace/DSMSCN 找到。

SARPCANet

SARPCANet 利用 Gabor 小波和 FCM (模糊 C 均值) 作为预分类方法来选择训练样本 [10]，然后使用选定的图像块训练 PCANet [11] 模型。原始 MATLAB 实现可在 https://github.com/summitgao/SAR_Change_Detection_GarborPCANet 找到。

FDCNN

FDCNN [13] 使用遥感场景分类的场景级样本来学习不同尺度下不同遥感场景的深度特征。随后，提出了一种新的 CNN (卷积神经网络) 结构和训练策略用于遥感图像变化检测，它是监督式的，但只需要很少的像素级训练样本。原始 Caffe 实现可在 https://github.com/MinZHANG-WHU/FDCNN 找到。

DCVA

DCVA [16] 通过预训练网络处理变化前和变化后的图像，并提取双时相深度特征以供 CD (变化检测) 框架中的后续处理。原始 Caffe 实现可在 https://github.com/sudipansaha/dcvaVHROptical 找到。

CorrFusionNet

CorrFusionNet [17] 是一个名为 CorrFusionNet 的统一网络，用于场景变化检测（scene change detection）。CorrFusionNet 首先使用深度卷积网络（deep convolutional networks）提取双时相输入（bi-temporal inputs）的特征。然后，提取的特征将被投影到较低维空间以计算实例级别的典型相关系数（canonical correlation）。基于计算出的相关性，将在 CorrFusion 模块中执行跨时相融合（cross-temporal fusion）。在目标函数（objective function）中，作者提出了一种新的公式来计算时相相关性。原始的 TensorFlow 实现可以在 https://github.com/rulixiang/CorrFusionNet 找到。

SNUNet

SNUNet-CD [18] 是一种用于变化检测的密集连接（densely connected）孪生网络（Siamese network），即 SNUNet-CD（Siamese network 与 NestedUNet 的结合）。SNUNet-CD 通过在编码器（encoder）与解码器（decoder）之间以及解码器与解码器之间进行紧凑的信息传输，减轻了神经网络深层中定位信息的损失。此外，提出了集成通道注意力模块（Ensemble Channel Attention Module, ECAM）用于深度监督（deep supervision）。原始的 PyTorch 实现可以在 https://github.com/likyoo/Siam-NestedUNet 找到。

其他变化检测仓库

还存在一些其他的变 化检测仓库，你可以通过以下链接访问它们：
[1] https://github.com/Bobholamovic/ChangeDetectionToolbox
[2] https://github.com/MinZHANG-WHU/Change-Detection-Review
[3] https://github.com/wenhwu/awesome-remote-sensing-change-detection

参考文献

[1] F. Bovolo and L. Bruzzone, “A Theoretical Framework for Unsupervised Change Detection Based on Change Vector Analysis in the Polar Domain,” IEEE Trans. Geosci. Remote Sens., vol. 45, no. 1, pp. 218–236, 2007.
[2] C. Wu, B. Du, and L. Zhang, “Slow feature analysis for change detection in multispectral imagery,” IEEE Trans. Geosci. Remote Sens., vol. 52, no. 5, pp. 2858–2874, 2014.
[3] L. Zhang, C. Wu, and B. Du, “Automatic radiometric normalization for multitemporal remote sensing imagery with iterative slow feature analysis,” IEEE Trans. Geosci. Remote Sens., vol. 52, no. 10, pp. 6141–6155, 2014.
[4] C. Wu, L. Zhang, and B. Du, “Kernel Slow Feature Analysis for Scene Change Detection,” IEEE Trans. Geosci. Remote Sens., vol. 55, no. 4, pp. 2367–2384, 2017.
[5] A. A. Nielsen, K. Conradsen, and J. J. Simpson, “Multivariate alteration detection (MAD) and MAF Postprocessing in multispectral, bitemporal image data: New approaches to change detection studies,” Remote Sens. Environ., vol. 64, pp. 1–19, 1998.
[6] A. A. Nielsen, “The regularized iteratively reweighted MAD method for change detection in multi- and hyperspectral data,” IEEE Trans. Image Process., vol. 16, no. 2, pp. 463–478, 2007.
[7] B. Du, L. Ru, C. Wu, and L. Zhang, “Unsupervised Deep Slow Feature Analysis for Change Detection in Multi-Temporal Remote Sensing Images,” IEEE Trans. Geosci. Remote Sens., vol. 57, no. 12, pp. 9976–9992, 2019.
[8] H. Chen, C. Wu, B. Du, L. Zhang, and L. Wang, “Change Detection in Multisource VHR Images via Deep Siamese Convolutional Multiple-Layers Recurrent Neural Network,” IEEE Trans. Geosci. Remote Sens., vol. 58, no. 4, pp. 2848–2864, 2020.
[9] C. Wu, H. Chen, B. Do, and L. Zhang, “Unsupervised Change Detection in Multi-temporal VHR Images Based on Deep Kernel PCA Convolutional Mapping Network,” arXiv preprint arXiv:1912.08628, 2019. https://arxiv.org/abs/1912.08628v1.
[10] F. Gao, J. Dong, B. Li, and Q. Xu, “Automatic Change Detection in Synthetic Aperture Radar Images Based on PCANet,” IEEE Geosci. Remote Sens. Lett., vol. 13, no. 12, pp. 1792–1796, 2016.
[11] T. H. Chan, K. Jia, S. Gao, J. Lu, Z. Zeng, and Y. Ma, “PCANet: A Simple Deep Learning Baseline for Image Classification?," IEEE Trans. Image Process., vol. 24, no. 12, pp. 5017–5032, 2015.
[12] T. Celik, “Unsupervised change detection in satellite images using principal component analysis and K-means clustering,” IEEE Geosci. Remote Sens. Lett., vol. 6, no. 4, pp. 772–776, 2009.
[13] M. Zhang and W. Shi, “A Feature Difference Convolutional Neural Network-Based Change Detection Method,” IEEE Trans. Geosci. Remote Sens., vol. 58, no. 10, pp. 7232–7246, 2020. [14] H. Chen, C. Wu, B. Du and L. Zhang, "Deep Siamese Multi-scale Convolutional Network for Change Detection in Multi-temporal VHR Images," 2019 10th International Workshop on the Analysis of Multitemporal Remote Sensing Images (MultiTemp), Shanghai, China, 2019, pp. 1-4.
[15] H. Chen, C. Wu, B. Du and L. Zhang, "Change Detection in Multi-temporal VHR Images Based on Deep Siamese Multi-scale Convolutional Neural Network," arXiv preprint arXiv:1912.08628, 2020. https://arxiv.org/abs/1906.11479.
[16] S. Saha, F. Bovolo, and L. Bruzzone, “Unsupervised deep change vector analysis for multiple-change detection in VHR Images,” IEEE Trans. Geosci. Remote Sens., vol. 57, no. 6, pp. 3677–3693, 2019.
[17] L. Ru, B. Du and C. Wu, "Multi-Temporal Scene Classification and Scene Change Detection with Correlation based Fusion," in IEEE Transactions on Image Processing, doi: 10.1109/TIP.2020.3039328.
[18] S. Fang, K. Li, J. Shao and Z. Li, "SNUNet-CD: A Densely Connected Siamese Network for Change Detection of VHR Images," in IEEE Geoscience and Remote Sensing Letters, doi: 10.1109/LGRS.2021.3056416.

问答

如有任何问题，请 联系我们。

ChangeDetectionRepository 快速上手指南

本仓库提供了遥感图像变化检测的传统方法及深度学习方法的 Python 实现（如 SFA, MAD, SiamCRNN 等），并包含部分多时相数据集。适用于变化检测研究及遥感图像解译。

1. 环境准备

本项目依赖多种科学计算与深度学习库，具体取决于您使用的算法模块。建议配置如下环境：

• 操作系统: Linux / macOS / Windows
• Python: 3.x 版本
• 核心依赖:
  • numpy, scipy, scikit-learn (用于传统方法如 SFA, MAD, PCA-Kmeans)
  • tensorflow 或 pytorch (用于深度学习方法如 DSFA, SiamCRNN, SNUNet 等)
  • caffe (部分原始实现可能需要，如 FDCNN, DCVA)

提示: 若存在 requirements.txt 文件，请优先使用该文件安装依赖。

2. 安装步骤

通过 Git 克隆本仓库到本地目录：

git clone https://github.com/I-Hope-Peace/ChangeDetectionRepository.git
cd ChangeDetectionRepository

若网络访问受限，可考虑配置国内 Git 镜像或使用代理加速下载。

3. 基本使用

查看数据集

仓库根目录下包含 Dataset 文件夹，存放了部分多时相数据集：

ls Dataset

运行算法

根据您的需求选择相应的算法模块。例如，对于传统方法中的 SFA 或 MAD，直接查找对应的 Python 脚本执行。

示例流程（以通用 Python 脚本为例）：

python your_script_name.py --input_path ./path/to/data

参考外部实现

部分深度学习方法（如 DSFA, SiamCRNN, KPCA-MNet 等）在本文档中提供了链接指向其独立的官方实现仓库，建议结合以下链接获取完整代码：

• DSFA: https://github.com/rulixiang/DSFANet
• SiamCRNN: https://github.com/I-Hope-Peace/SiamCRNN
• SNUNet: https://github.com/likyoo/Siam-NestedUNet

更多详细信息请参考各章节下的参考文献及说明。