《Remote Sensing》：Change Detection in Remote Sensing Imagery: A Systematic Review of Statistical, Machine Learning, and Deep Learning Methods
变化检测（Change Detection, CD）是遥感领域的基础任务，旨在通过识别同一区域多时相影像的地表改性，服务于城市监测、农业管理、森林扰动制图、灾害评估及土地覆盖分析等场景。该任务受辐射与大气差异、配准误差、季节周期及传感器异质性等因素干扰。深度学习凭借分层特征提取与端到端优化能力，已逐步取代传统方法及经典机器学习方法。本研究遵循PRISMA 2020指南，通过结构化Scopus检索并结合作者前期研究与引文追溯，筛选出144篇核心文献，系统梳理三大范式：传统方法（代数算子、变换、概率框架）、经典机器学习方法（支持向量机、随机森林、面向对象分析）及深度学习架构（全卷积网络、孪生网络、注意力机制、Transformer、状态空间模型、扩散模型及弱监督模型）。研究人员提供了问题形式化定义、基准数据集与评价指标的背景介绍，并按范式与监督模式构建了分类体系。在主流基准上的定量比较揭示了当前方法的优势与局限。开放挑战包括通用基准协议缺失、研究到部署的鸿沟及标注高效学习需求。本综述为领域提供了结构化参考，并指明了未来发展方向。
1. Introduction
变化检测指通过分析同一地理区域不同时相的影像，识别地表状态有意义改变的过程。其概念虽直观——给定配准的t?与t?时刻影像，识别发生真实语义变化的像素或区域——但实践中面临几何配准偏差、大气辐射不一致、植被物候季节性波动、光照差异及传感器模态、空间分辨率与地理环境多样性等挑战。过去十年，地球观测基础设施的指数级增长推动了变化检测研究的爆发，文献计量显示2017年后相关研究加速增长，对应卷积神经网络的普及与大规模标注数据集的出现，三分之二的纳入文献发表于2019年之后，2022年达到峰值。方法论分布上，深度学习占56%，经典统计方法占26%，机器学习占18%；深度学习子集中，监督学习占84%，弱监督学习占11%，无监督与半监督分别占4%与1%。应用领域以通用二分类变化检测为主，其次为森林扰动、建筑变化、土地利用/覆盖变化、城市监测、灾害评估与环境监测。本文聚焦光学与多光谱（Multi-Spectral, MS）影像，合成孔径雷达（Synthetic Aperture Radar, SAR）、高光谱（Hyperspectral, HS）及三维点云数据仅在对应章节讨论。相较于已有综述，本研究的贡献在于：构建了贯穿传统至深度学习的统一分类体系；将弱监督标注高效范式作为核心主题而非附属内容；提出了架构增益饱和与标注成本约束的跨时代观察；提供了基于部署约束的从业者决策指南。
2. Background and Problem Formulation
2.1. Formal Definition
给定配准的H×W×C多时相影像X?与X?（C为光谱通道数），变化检测旨在通过学习函数f生成变化图M，其中预处理包含配准操作。融合策略分为早期融合（通道拼接后特征提取）、中期/孪生融合（独立分支编码后特征比对）与晚期融合（后分类比较）。二分类变化检测（Binary Change Detection, BCD）中M∈{0,1}，语义变化检测（Semantic Change Detection, SCD）则需同时刻画t?与t?时刻的土地覆盖类别及转换关系。概念上需区分表观变化（辐射或大气伪影）、无关变化（真实但非任务目标）与相关变化（检测目标），其边界由应用场景决定。
2.2. Evaluation Metrics
基于真阳性（True Positives, TP）、真阴性（True Negatives, TN）、假阳性（False Positives, FP）、假阴性（False Negatives, FN）构建评价体系：精确率（Precision）衡量错分误差，召回率（Recall）衡量漏分误差，F?分数为二者调和均值；交并比（Intersection over Union, IoU）与总体精度（Overall Accuracy, OA）反映全局一致性；语义变化检测额外采用平均交并比（mean Intersection over Union, mIoU）、分离Kappa（Separated Kappa, Sek）与复合得分。Cohen's Kappa（κ）通过计算观测一致性与随机预期一致性的差值，量化超越偶然的协议水平。需注意，现有文献在指标选取与训练/测试集划分上存在异质性，导致跨研究数值比较可靠性不足。
3. Literature Search Methodology
本研究严格遵循PRISMA 2020声明，未预先注册协议（因PROSPERO不接受健康科学外的 methodological 综述）。文献识别通过两条互补路径：结构化Scopus数据库检索（2026年1月5日执行，无年份限制）与作者前期研究及反向引文追溯。检索式采用 AND 组合，覆盖卫星、航空、无人机等数据源及变化检测方法术语，辅以语言（英语）、文献类型（期刊/会议）与开放获取过滤。纳入标准为针对光学/多光谱影像的变化检测方法或评估研究，排除非光学模态独占、视频/医学影像、综述、纯数据集描述及实验细节不足的文献。经过去重、标题摘要筛选与全文评估，最终纳入144篇核心文献。开放获取过滤仅应用于数据库检索路径，通过引文追溯与机构订阅弥补了早期经典文献的可及性缺口，确保了方法覆盖的完整性。文献计量分布反映了检索策略的选择性，但不影响范式覆盖的全面性，所有近期综述确认的方法家族均有代表文献纳入。
4. Datasets and Benchmarks
主流公开基准数据集呈现高度集中特征：LEVIR-CD（637对0.5 m Google Earth影像，聚焦建筑变化）、CDD（11对季节变化影像，涵盖建筑、植被与土地利用变化）、WHU-CD（2011年基督城地震前后0.3 m航空影像，建筑变化标注）构成二分类变化检测的三大标准，分别在33、24与18篇深度学习文献中使用。其他重要数据集包括SYSU-CD（香港2007–2014年0.5 m航空影像，6类变化场景）、DSIFN-CD（中国6城市2 m影像，地理多样性更强）、HRSCD与SECOND（语义变化检测，含土地覆盖类别标注）、GZ-CD（广州2006–2019年季节变化建筑影像）及xBD（多灾种建筑损害评估基准）。当前基准存在四点局限：地理与主题集中于东亚与北美城市建筑变化；训练/测试划分与分块策略缺乏统一标准；仅支持时点二分类标注，无法支撑多时相序列评估；尚无同时覆盖多区域、多模态、多变化类型的通用基准。
5. Traditional Statistical Methods
传统统计方法主导于20世纪70年代至21世纪初，典型流程为：通过代数或变换算子生成变化指示影像，经阈值分割得到变化图，可选空间后处理增强一致性。
5.1. Algebraic Difference and Index Methods
图像差分与线性算子是最早的系统化方法，主成分分析（Principal Component Analysis, PCA）、Gram–Schmidt正交化与Kauth–Thomas变换在森林枯死监测中表现可靠，且预处理仅需最小辐射校正。变化向量分析（Change Vector Analysis, CVA）将像素光谱变化分解为幅值与方向，可同时实现二分类与变化类型识别；压缩变化向量分析（compressed CVA）通过投影至高区分度平面，实现了无监督多类变化检测。这类方法依托物理先验，可跨传感器迁移且可解释性强，但对辐射、大气与物候差异敏感，依赖人工阈值选择。
5.2. Transformation-Based Methods
PCA堆叠双时相影像可将变化信息集中于高阶分量，结合混合无监督-监督分类可实现土地利用转换识别。多元变化检测（Multivariate Alteration Detection, MAD）及其迭代重加权变体（Iteratively Reweighted MAD, IR-MAD）通过典型相关分析与异常值降权，实现仿射不变的变化检测，在无监督场景下优于早期深度学习方法，但在有监督条件下性能不及多尺度网络。时间序列分解方法（如Breaks For Additive Season and Trend, BFAST）将信号拆分为趋势、季节与扰动分量，可同时捕捉渐变与突变，适用于植被与土地覆盖长期监测。
5.3. Probabilistic and Markov Random Field Methods
马尔可夫随机场（Markov Random Field, MRF）通过建模空间标签依赖性降低椒盐噪声，高斯混合模型与期望最大化（Expectation-Maximization, EM）算法可实现无监督阈值自动选择。Dempster–Shafer证据理论则支持多源证据的不确定性融合。这类方法提供了显式的空间先验与概率化决策框架，但依赖分布假设且在异质场景中易失效，且仅输出二分类结果，无法直接支持从-到转换分析。
5.4. Post-Classification Comparison
后分类比较（Post-Classification Comparison, PCC）通过对各时相独立分类并比对标签差异，是长时序土地利用/覆盖变化分析的主流方法，可唯一提供从-到转换信息，且对季节与辐射差异鲁棒性强。CA-Markov框架进一步结合转移概率矩阵模拟未来土地覆盖状态。其局限性在于精度受限于两期独立分类精度的乘积，且传统实现依赖简单最大似然或阈值规则，未针对变化检测目标优化特征与决策边界。
6. Machine Learning Methods
机器学习方法引入判别式分类器，从手工设计的特征向量中学习变化判别函数，降低了对物理先验的依赖。
6.1. Support Vector Machines
支持向量机（Support Vector Machine, SVM）通过间隔最大化在小样本、高维、不平衡变化检测场景中表现稳健，核技巧可有效融合光谱、纹理与辅助特征。但其训练复杂度随支持向量数呈二次增长，多分类扩展繁琐，且输出为间隔得分而非校准概率。
6.2. Random Forests and Ensemble Methods
随机森林（Random Forest, RF）与集成方法因近线性训练复杂度、原生多分类支持、特征重要性排序及概率化输出，成为操作层面的默认选择。其在数百至数千标注样本即可收敛，远小于深度学习的数据需求，且可通过特征重要性分析满足监管与科研的可解释性要求。但单像素分类仍易受椒盐噪声影响。
6.3. Object-Based Image Analysis
面向对象影像分析（Object-Based Image Analysis, OBIA）将分析单元从像素提升至影像对象，通过聚合光谱、纹理与形状特征，在高分辨率影像中较像素级方法精度提升约20个百分点。其核心挑战在于分割尺度敏感性及跨时相对象对齐产生的碎片多边形，多尺度分割集成与证据融合可缓解此问题。但该范式仍以双时相对为核心，难以适配密集时间序列分析。
6.4. Temporal Modeling and Hybrid Approaches
随着Landsat档案开放，变化检测从双时相比较转向密集时间序列分析。连续变化检测与分类（Continuous Change Detection and Classification, CCDC）算法为每个像素拟合季节、趋势与断裂模型，实现在线变化监测与土地覆盖分类的统一。LandTrendr通过分段线性轨迹捕捉扰动与恢复过程。这类方法结合云计算平台（如Google Earth Engine），已实现全球森林变化等产品生成，但其性能仍受限于手工特征的表达能力，深度学习方法通过端到端特征学习突破了这一约束。
7. Deep Learning Methods
深度学习自2016年起重塑了变化检测领域，依托大规模标注数据与算力提升，实现了分层特征学习与端到端优化。
7.1. Fully Convolutional Networks and Foundational Siamese Designs
全卷积网络（Fully Convolutional Network, FCN）与孪生（Siamese）架构确立了中期融合的主导地位：权重共享的双分支编码器分别提取特征，再通过解码器生成变化图。早期融合（通道拼接）性能显著弱于孪生中期融合。嵌套UNet与集成通道注意力模块（Ensemble Channel Attention Module, ECAM）等改进通过多尺度特征融合与边界保留提升了性能。无监督深度变化向量分析（Deep CVA）将经典CVA迁移至深度特征空间，无需标注即可实现变化聚类。该代架构的核心局限在于对双时相流对称处理，缺乏对差异信息的显式增强。
7.2. Attention-Augmented Siamese Networks
注意力机制通过通道、空间或联合注意力增强差异建模与伪变化抑制能力。差异增强模块、变化引导图与空间-光谱非局部模块等设计，显著提升了边界完整性与小目标检测能力。轴向注意力（Axial Attention）通过行列分解近似全局上下文，平衡了感受野与计算成本。轻量化设计（如1.52M参数的USSFC-Net）表明，在极端类别不平衡（变化像素占比4–5%）下，损失函数设计与前景平衡采样对性能的贡献可匹敌架构改进，超轻量模型与重量级模型的IoU差距可控制在1个百分点内。
7.3. CNN–Transformer Hybrid Architectures
混合架构结合卷积的局部归纳偏置与Transformer的全局上下文建模能力，通过令牌化高层特征实现跨时空长距离依赖捕获。比特时相影像Transformer（Bi-temporal Image Transformer, BIT）与ChangeFormer是代表性工作。与注意力增强孪生网络相比，混合架构将注意力从显著性门控升级为关系运算符，通过自注意力与交叉注意力直接在共享令牌空间建模时相关系，并将交互提前至多尺度编码阶段。但在当前基准规模下，混合架构并未展现出显著精度优势，其价值更多体现在效率与较小监督预算下的表现。
7.4. Pure Transformer and Full-Scale Architectures
纯Transformer架构（如SwinSUNet）移除卷积组件，通过层级移位窗口自注意力实现全局上下文建模。在统一评测协议下，SwinSUNet在LEVIR-CD+与WHU-CD上均优于多数混合与注意力增强孪生模型，表明去除卷积归纳偏置在标准基准下未造成精度损失。但自注意力的O(N2)复杂度限制了其在高分辨率大图与长序列场景的应用。
7.5. Mamba and State Space Model Architectures
状态空间模型（State Space Model, SSM）通过选择性扫描机制实现O(N)的线性复杂度，Mamba架构的跨扫描模块（Cross-Scan Module, CSM）将二维影像展开为多方向一维序列，有效适配空间数据特性。ChangeMamba等工作验证了SSM在变化检测中的竞争力，其优势主要体现在计算效率而非精度绝对提升，特别适用于大尺寸影像与长时序序列推理。
7.6. Diffusion Model Approaches
扩散模型通过两种路径介入变化检测：表征学习路径利用预训练去噪扩散概率模型（Denoising Diffusion Probabilistic Model, DDPM）的多时间步特征层次，提取无标注数据的多尺度表示，仅需少量前向传播即可用于轻量分类器；生成路径则通过条件去噪直接生成变化图，但迭代采样导致推理延迟，适用于离线分析。扩散表征学习通过无标注数据替代部分监督信号，缓解了标注稀缺瓶颈。
7.7. Weakly Supervised Change Detection
弱监督变化检测（Weakly Supervised Change Detection, WSCD）仅需图像级二分类标注，通过类激活映射（Class Activation Mapping, CAM）生成伪像素标签，再结合段任意模型（Segment Anything Model, SAM）等基础模型优化边界质量。当前主要失败模式为变化遗漏与虚假变化，需通过膨胀先验解码器、标签门控约束与实例分离损失缓解。该范式的核心价值在于部署经济性，而非追求基准性能极限。
7.8. Foundation Model Approaches
基础模型通过两种路径赋能变化检测：通用视觉基础模型（如SAM、CLIP）提供类别无关的空间先验，通过适配器侧调（side-tuning）以极少参数注入任意变化检测骨干；地理空间基础模型（Geospatial Foundation Models, GFM，如SatMAE、Prithvi）针对卫星数据预训练，编码时间与多光谱结构先验。当前组合（图像级弱监督+GFM骨干）尚未充分探索，是近期最具潜力的研究方向之一。
8. Change Detection in Other Sensor Modalities
8.1. SAR
合成孔径雷达（SAR）变化检测需应对斑点噪声与标注稀缺挑战，经典方法依赖对数比、均值比与RFLICM聚类，深度学习方法通过PCANet邻域特征学习、循环一致GAN跨域转译实现无监督建筑变化检测。
8.2. Hyperspectral
高光谱（HS）变化检测利用精细光谱采样识别物质级变化，异常变化检测是其特色任务。IR-MAD是经典基线，GETNET与MSDFFN等深度方法通过多尺度差异特征实现当前最优性能。
8.3. Heterogeneous Multi-Modal
异构多模态变化检测需解决特征空间不匹配问题，主流策略包括基于亲和矩阵的域转换（如X-Net、ACE-Net）与基于潜在码对齐的无监督共享空间映射（如SCCN、代码对齐自编码器），以及傅里叶域结构比较等模态无关方法。
8.4. 3D and LiDAR
三维变化检测融合高程与光谱信息，云到云（Cloud-to-Cloud, C2C）与云到网格（Cloud-to-Mesh, C2M）距离是经典范式，Siamese KPConv等深度方法可直接处理原始点云，预训练可大幅降低标注需求。
9. Quantitative Benchmark Comparison
统一评测协议下的结果表明：LEVIR-CD+上性能随架构演进单调提升，但三代架构（注意力孪生、CNN-Transformer混合、纯Transformer、SSM）间未形成决定性优势，FCN基线（70.42% IoU）至当前最优（88.39% IoU）的18个百分点提升中，大部分来自2018–2021年的注意力机制引入，后续增益边际递减。不同评测协议可导致同一方法IoU差异超过12个百分点，远超架构间差距，凸显了标准化基准的必要性。S2Looking等更具挑战性的基准显示性能上限仍较低（最优64.33% IoU），表明当前饱和现象局限于现有主流基准。
10. Open Issues and Research Directions
10.1. Cross-Cutting Observations from the Corpus
语料层面呈现五点核心观察：①当前基准上架构增益已饱和，剩余差距主要受数据质量、标签不平衡与评测协议异质性驱动；②变化检测包含语义兴趣轴与干扰轴（辐射、物候、配准等），经典方法中上游归一化与下游分类解耦的模式在深度学习中未被充分利用；③标注质量与成本的约束已超过模型表达能力成为性能瓶颈，半监督、自监督与基础模型适配可显著降低标注需求；④双时相配对是建模选择而非问题固有属性，操作场景更需要密集时间序列分析；⑤评测证据存在地理与主题集中偏差，泛化性存疑。
10.2. Data-Related Challenges
包括通用基准缺失、变化像素极端不平衡（4–5%）、自定义数据集透明度不足、标注粒度碎片化（二分类、语义变化、变化点时序标注不兼容）等问题。
10.3. Methodological Limitations
评测不一致性导致跨研究比较不可靠；Transformer与SSM的计算成本在现有中等规模基准上未转化为精度收益，仅在大尺寸长序列场景具优势；多时相泛化能力不足；不确定性量化（Uncertainty Quantification）发展滞后，制约了人机协同部署。
10.4. The Supervision-Cost Frontier
标注效率提升有四条互补路径：降低监督粒度（图像级弱监督）、用无标注数据替代（自监督与扩散预训练）、基础模型迁移（地理空间预训练与适配器侧调）、利用时空结构传播标签（半监督一致性正则化）。
10.5. Promising Research Directions
优先方向包括：地理空间基础模型与变化检测深度融合、大语言模型驱动的开集检测与变化描述、面向操作分诊的不确定性量化、多模态异构融合、原生支持多时相输入的SSM架构。
10.6. Practitioner’s Decision Guide
方法选择应基于部署约束而非架构新颖性：小样本场景首选树集成方法；高标注成本场景首选弱监督范式；极端类别不平衡场景优先优化前景平衡采样与复合损失；强辐射变异性场景需前置经典归一化步骤；高吞吐大尺寸/长序列场景首选轻量模型或SSM；需从-到转换信息时首选后分类比较框架。
11. Conclusions
本综述系统梳理了遥感影像变化检测从传统统计方法到前沿深度学习架构的完整演进路径。统一评测显示架构创新带来了可观性能提升，但当前已进入边际收益递减阶段。弱监督与标注高效学习显著降低了部署门槛。未来需重点突破通用基准构建、标准化评测协议、地理空间基础模型适配及多时相原生架构设计，以推动领域从基准性能竞争转向实际部署价值创造。
