变化检测是遥感技术应用研究热点之一,随着遥感平台的飞速发展,影像分辨率已达到亚米级,利用传统基于像元的影像分析方法进行高分辨率遥感影像变化检测时,检测结果出现严重的斑点现象。面向对象影像分析技术的出现为解决上述难题提供了契机,但是仍存在多个制约变化检测精度的问题,具体包括:影像分割尺度难以确定;影像对象差异性度量方法过于简单,检测效果较差;利用单一特征进行变化检测无法顾及影像地物“同物异谱”特性;单一尺度检测结果难以顾及不同尺寸地物的差异性。针对上述问题,本文通过探讨现有的面向对象影像分析方法和变化检测方法,在面向对象影像分析框架下,开展多尺度分割的最优尺度研究,并引入相似性测度来度量对象差异性。在此基础上,提出光谱-纹理特征自适应融合方法,构建多尺度投票机制,实现多尺度多特征融合的面向对象变化检测。具体研究内容如下:(1)提出了一种基于灰度共生矩阵(Grey Level Co-occurrence Matrix,GLCM)纹理特征的最优尺度选取方法,利用灰度共生矩阵提取影像的纹理均值,通过纹理均值与分割尺度间的变化关系确定最优尺度,实现了联合纹理和光谱特征的最优尺度提取。不同场景下与现有最优尺度选取方法的对比实验结果表明,基于GLCM的纹理均值法对不同场景影像的适用性更强,提取的最优尺度下分割结果精度也更高。(2)将相似性度量方法引入面向对象变化检测中,利用相似性测度来度量不同时期影像对象之间的差异性,实现了基于相似性测度的面向对象变化检测。结合传统的差值法开展对比实验,结果表明,基于相似性测度的面向对象变化检测方法在不同场景下的检测精度均比差值法更高,对于较复杂的影像场景检测精度提升幅度更大。(3)提出了一种特征自适应融合方法,实现了融合光谱特征和纹理特征的变化检测方法。在此基础上,结合多值逻辑规则和多数投票原理,构建了多尺度融合机制,实现了最优尺度集检测结果的投票融合。实验结果表明:在不同场景下,特征融合的检测精度均比单特征变化检测结果的精度高,多尺度融合结果精度也比单尺度检测结果精度高,且两种方法在复杂场景下精度提升更明显。