变化检测能够连续观测和发现地物的变化信息，是遥感信息处理中的关键技术，并广泛地应用到环境监测、土地变化、城市扩张、灾害检测和评估、军事战场动态监测等各个方面。与多光谱图像相比，高光谱图像能够提供精细的光谱“诊断性”信息，为地物的精确识别创造条件，而多时相高光谱图像提供更加丰富和详细的光谱特征及变化信息，能够实现变化地物类型的识别和异常变化地物的检测。通过挖掘多时相高光谱影像中丰富的光谱信息，并精细的分析地物变化类型，成为高光谱变化检测的重要研究方向。

受季节、地形、天气条件、太阳高度角等各种复杂因素的影响，检测场景中未变化地物的光谱曲线存在差异，变化信息被淹没在噪声和背景中，如何有效地增大变化地物与背景间的区分度，准确的将变化地物从背景中识别出来，是当前遥感领域研究的热点问题之一。近年来，研究人员提出了不同类型的高光谱变化检测方法。但对现有方法进行分析，传统探测算法在处理多时相数据时，通常进行简单差值、变换或分类后处理，忽略了高光谱图像的空间信息，而基于深度学习的模型往往采用数据进行驱动，过渡依赖于样本库，实际应用中往往无法提供足够的训练样本用于模型的训练，因此并不实用。

针对以上问题，实验室设计了一种全新的基于空间域和光谱域联合处理的双通道变化检测框架。在光谱域，基于多时相高光谱图像的光谱变化特征，设计了一种新的检测器；在空间域，将拓扑树结构理论中的最大树/最小树概念引入到高光谱变化检测中，充分利用拓扑树对光照、阴影的鲁棒性特征来提取多时相数据的空间变化特征，最后采用引导滤波方法将光谱域处理结果和空间域处理结果进行有效地融合，提高了变化检测的精度，具体算法框架如图1所示。

该方法是由北京理工大学信息与电子学院博士研究生侯增福，北京理工大学信息与电子学院李伟教授、陶然教授，北京信息科技大学李禄副教授，美国密西西比州立大学杜谦教授共同合作完成。论文成果《Hyperspectral Change Detection Based on Multiple Morphological Profiles》被接收于顶级期刊美国电气和电子工程师协会地学与遥感汇刊 [ IEEE Transactions on Geoscience and Remote Sensing, 2021 ] (影响因子IF:5.855)。

图1. 论文中所提出的基于多属性形态学的高光谱变化检测框架图