地物目标的变化检测与城市发展、全球变化、土地利用变化等一系列问题息息相关。高光谱变化检测利用多时相同一地表区域的遥感图像,是一种快捷、适宜的技术手段。遥感图像时空分辨率限制高光谱变化检测发展,重点是要解决大尺度、大范围、高层次的变化问题。根据处理手段不同变化检测方法分为直接比较法和分类比较法,根据目标对象不同分为像素级、特征级和目标级的变化检测。基于像素的变化检测是指经过配准的遥感图像像素是否发生变化及哪些类型发生变化。这种基于像素的变化检测准确性很高,但预处理的性能对检测结果影响很大,像素会受到辐射,大气,角度等因素的干扰,可能会产生很多的错误信息,影响变化检测结果。像素级变化检测中阈值的选择起到关键性的作用,即难以确定地物变化类型。本课题以实现像素级高光谱图像地物变化检测为出发点,研究高光谱图像基于像元的一维光谱域数据的预处理即降噪测量方法研究、高光谱地物变化检测算法实现研究等两个方面开展基于高光谱图像的地物变化检测方法的研究,主要研究内容如下:(1)基于小波变换和EMD相结合的降噪方法以及特征增强EMD的地物变化检测方法研究:基于小波变换和EMD的降噪方法克服了传统傅里叶变换易造成信号高频信息缺失的缺点。进行光谱相似性匹配的地物变化检测方法研究,重点是基于相似性匹配和基于距离度量的地物差异特征向量的提取,基于有监督的阈值选择,获得最终的地物变化检测图谱;(2)基于深度学习的高光谱图像空谱结合地物变化检测方法研究:为了充分利用高光谱图像的空间域和光谱域信息,给出一种新的提取像元空间域和光谱域联合特征的深度卷积神经网络;(3)基于迁移学习及生成对抗网络在高光谱地物变换检测方法研究:首先采用直推式迁移学习方法,利用源数据的有标签样本来训练模型的低层参数,利用目标数据训练模型的高层参数和对低层参数进行微调,从而提高高光谱变换检测的精度;在迁移学习的基础上,采用对抗式自动编码器充分利用样本的时序信息来生成多重类型地物变化检测样本,最终利用扩充后的训练样本来训练模型,使检测精度更高。