一、基本概念
1、基于遥感影像的变化检测，就是从不同时间获取的同一地理区域的多时相遥感影像中定性地或定量地分析和确定地表变化特征和过程的技术。
2、遥感影像根据工作方式不同分为光学遥感影像和微波遥感影像。
3、合成孔径雷达(synthetic aperture radar,SAR)为主动式微波成像传感，利用压缩技术和合成孔径原理，使得距离分辨率和方位分辨率分别加以提高。
4、单极化SAR影像变化检测的基本流程范式：（1）预处理（2）生成差异图（3）分析差异图
5、单极化SAR影像变化检测最突出的困难：相干斑噪声的影响。（相干斑噪声为乘性噪声）
6、加性噪声一般指热噪声、散弹噪声等，它们与信号的关系是相加，不管有没有信号，噪声都存在。
而乘性噪声一般由信道不理想引起，它们与信号的关系是相乘，信号在它在，信号不在他也就不在。
二、SAR影像变化检测的基本算法
差异图的生成
差异图的生成实际上是找到一个能表征2幅SAR影像之间距离的矩阵，这个矩阵经过可视化处理后就是差异图。
目的：初步区分2幅SAR影像中未变化类和变化类，并为后续的差异图分析环节提供基础。
做法：通过比值算子有效的抑制相干斑噪声，另有对数比(log-ratio,LR)算子和均值比(mean-ratio,MR)算子2种改进方法。
LR算子：将比值差异图转换到对数尺度，将影像中的相干斑噪声转换为加性噪声，并且差异像素得到了非线性收缩，增强了未变化类和变化类的对比度。（缺点：边缘信息不能完好保留）
MR算子：利用像素的邻域信息，相比的对象不是对应的孤立像素点，而是像素点所在的邻域的均值，有了一定程度的去噪功能。（缺点：缺乏伸缩变换）
差异图的分析
差异图生成后，需要对其进行分析，最终生成一副黑白二值图。常用的分析方法有4种：阈值分析、聚类分析、图切分析和水平集分析。
阈值法：通过某种阈值选择方法找出一个最优阈值以后，将差异图以阈值像素值为界划分为2类。无监督的最优阈值的选择方法中经典的有KI算法和EM算法，首先通过建立模型对未变化类和变化类的类条件分布进行直方图拟合，最后通过Bayes最小错误率准则使得2类分布的后验概率相等来选出最优值。类条件分布模型常用的有Gaussian模型、广义Gaussian（GC）模型、对数正态模型等。
（优点：运算速度快，方法简明；缺点：精确度不够高）
聚类法：通过对差异图运用聚类算法得到未变类和变化类的2个聚类中心，然后通过近邻法分割出2类。聚类方法有硬聚类和模糊聚类2种，硬聚类以K均值聚类法为代表，模糊聚类以模糊C均值（FCM）聚类法为代表。
（优点：不需要建立模型，比阈值法灵活）
图切法：本质上是将未变化类和变化类的标签分配给诸像素点。该方法根据差异图自身的性质构造合适的能量函数，并且使用图切法最小化这个能量函数，使得能量最小时，每一个像素点都属于一个最合适的分类。
水平集法：利用曲线演化将二维闭合曲线的演化问题转化为三维空间中水平集函数曲面演化的隐含方式来求解，即构造一个三维的水平集函数，然后求使其值为零的解构成的曲线集合，从而获得影像分割的结果。最著名的为CV模型。
三、近年热点算法介绍
差异图生成热点算法：
组合差异图法（CDI）、基于邻域的比值差异图算子（NR）、小波融合法（WF）、结合影像强度和纹理特征构造差异图法（IT）
阈值法分析热点算法：
广义KI阈值选择算法（GKI）、基于GC的EM算法、局部拟合兼半期望最大化算法（LF&SEM）
聚类法分析热点算法：
改良局部邻域信息模糊C均值聚类法（RFLICM）、基于Markov随机场的新型FCM算法（MRFFCM）
图切法分析热点算法：
基于图切的GC模型分析法（GC_GC）、局部搜索兼核函数诱导图切算法（LFS&KGC）
水平集法分析热点算法：
区域规模拟合模型（RSF）、正则项改进CV模型（ICV）、基于多分辨率水平集的分析算法（MLS）
参考文献：
[1] Gong Maoguo, Zhao Shengmeng, Jiao Licheng, et al. A novel coarse-to-fine scheme for automatic image registration based on SIFT and mutual information [J]. IEEE Trans on Geoscience and Remote Sensing, 2014, 52(7): 4328-4338
[2] Liu S C, Fu C W, Chang S. Statistical change detection with moments under time-varying illumination [J]. IEEE Trans on Image Processing, 1998, 7(9): 1258-1268
[3] Rignot E J M, Zyl J J V. Change detection techniques for ERS-1 SAR data [J]. IEEE Trans on Geoscience and Remote Sensing, 1993, 31(4): 896-906
[4] Bovolo F, Bruzzone L. A detail-preserving scale-driven approach to change detection in multitemporal SAR images [J]. IEEE Trans on Geoscience and Remote Sensing, 2005, 43(12): 2963-2972
[5] Inglada J, Mercier G. A new statistical similarity measure for change detection in multitemporal SAR images and its extension to multiscale change analysis [J]. IEEE Trans on Geoscience and Remote Sensing, 2007, 45(5): 1432-1445
[6] Kittler J, Illingworth J. Minimum error thresholding [J]. Pattern Recognition, 1986, 19(1): 41-47
[7] Dempster A P, Laird N M, Rubin D B. Maximum likelihood from incomplete data via the EM algorithm [J]. Journal of the Royal Statistical Society, 1977, 39: 1-38
[8] Celik T. Unsupervised change detection of satellite images using local gradual descent [J]. IEEE Trans on Geoscience and Remote Sensing, 2012, 50(5): 1919-1929
[9] Ghosh A, Mishra N S, Ghosh S. Fuzzy clustering algorithms for unsupervised change detection in remote sensing images [J]. Information Science, 2011, 181(4): 699-715
[10] Chan T F, Vese L A. Active contours without edges [J]. IEEE Transactions on Image Process, 2001, 10(2): 266-277