遥感技术领域的变化检测是利用同一地表区域的多时相遥感影像为数据源,通过图像处理系统对多时相影像分析识别,提取地表变化区域的技术。传统的变化检测方法分为两类:基于像元和基于对象的变化检测,然而这两种方法都存在一定的局限性。协同分割的概念最早是在计算机视觉领域出现的,其目的是为了快速准确的从一组图像中提取出共同包含的感兴趣目标。而将协同分割用于变化检测能够有效的克服椒盐现象,生成边界一致的多时相变化对象,与基于对象的检测方法相比,能够生成边界准确一致、空间对应的多时相变化对象。协同分割不仅考虑光谱和纹理等图像信息,也挖掘了像素之间的空间邻域信息。但是协同分割变化检测步骤中的最小割/最大流算法,将每一个像素视为网络流图中一个节点,导致计算次数与图中节点和边的数量直接相关,对于大范围的实验区来说运算量大,消耗时间过长。针对这一缺点将超像素分割方法引入协同分割中,采用Slic(Simple Linear Iterative Cluster)的超像素分割方法,利用像素之间特征的相似性将像素分组。随后将两时相的超像素分割,融合形成一个新超像素分割。最后将每个超像素块视为一个基本处理单元进行协同分割变化检测,以此减少最小割/最大流构建的网络流图中节点的数量,可以直接获得大范围变化检测的结果。研究以中国江西省南昌县国产高分一号影像以及美国密西西比州杰克逊市的Landsat TM影像为例进行试验,所得到的变化检测结果的总体精度均在0.80以上,而计算时间从超过24小时提升至最慢不超过5.5小时。实验结果表明,针对超像素协同分割变化检测,影像空间分辨率和超像素分割步长均会对检测结果产生影响。影像空间分辨率越高对该算法适应性越强,分割步长越短变化检测效果越好。通过多组实验得知,步长设定在9较为适合,既保障结果的精度又能提高算法处理速度。本文的创新点包括:(1)将图像处理中的超像素分割思想引入到协同分割变化检测中,形成一种新的协同分割变化检测方法。在原有的算法上加以改进,不仅减少了图像中像素的数量,也改变了网络流图中节点之间邻域关系的建立方式,从算法的根本上提高了协同分割算法的运行效率,扩大了处理图像的数据量。(2)算法引入了超像素分割后,形成的每一个超像素对象可挖掘的信息大大增加,进一步对协同分割变化检测中的能量函数进行拓展,能够加入更多的特征进一步提升协同分割变化检测算法的准确性。