多时相遥感影像变化检测算法研究
多时相遥感影像变化检测方法研究进展综述
Ｓ Ｐ ＯＴ ＶＥ Ｇ ＴＡＴ Ｉ ＯＮ等传感 器可 以实现 对地 球 表 面大 部分
区域 的逐 日观测 ， 我国 ２ ０ ０ ８年发射 的环境减灾卫 星 Ａ、 Ｂ两 颗卫星 ，每两天获取覆 盖 中国 国土的多 光谱数 据 。海量 、多 时相遥感数据 的积累 ， 为实 现区域乃至全球 尺度 的土 地覆盖 变化检测等全球 变化研究提供 了重要数 据源 。 但是从多 时相 影像 中及时提取地球环境 和人 类活动 的动
＊通 讯 联 系人 ｅ － ｍａ ｉ ｌ ： ｗａ ｎ ｇ ｑ ｉ ａ ｏ ＠ｓ ｅ ｐ ａ ． ｇ ｏ ｖ ． ｃ ｎ
ｅ － ｍ ａ ｉ ｌ ： ｓ ｈ ｏ ｕ ｊ ｉ ｎ ｇ ｙ ＠１ ６ ３ ． ｃ ｏ ｎ； ｒ ｓ ｈ ｏ ｕ ｊ ｉ ｎ ｇ ｙ ＠１ ２ ６ ． ｃ ｏ ｎ ｒ
收 稿 日期 ： ２ ０ １ ３ — ０ ３ — １ ５ 。 修 订 日期 ：２ ０ １ ３ — ０ ６ － ２ ０
基 金项 目： 高分辨对地观测重大专项项 目（ ０ ５ 一 Ｙ ３ ０ Ｂ ０ ２ — ９ ０ ０ １ — １ ３ ／ １ ５ — ４ ） 和国家 自然科学基金项 目（ ４ １ １ ０ １ ３ ７ ８ ， ４ １ ２ ７ １ ３ ４ ９ ） 资助 作 者简介 ： 殷守敬 ， １ ９ ８ ２ 年生 ， 环 保部卫 星环境应用 中心工程 师
态信息仍 面临很 多挑战＿ １ ］ 。 尽 管许多学者 已经围绕多 时相遥 感 影像的变化检测方 法的研究开展 了大 量工作 ，但是这 些研 究相对分散 ，还没有形 成完 整 、 成 熟 的理论体 系 ，对相关 理
如何进行多时相卫星图像的变化检测和分类
如何进行多时相卫星图像的变化检测和分类多时相卫星图像的变化检测和分类技术是遥感领域的重要研究方向，在环境监测、城市规划、农业灾害评估以及资源管理等领域有着广泛的应用。
本文将介绍如何进行多时相卫星图像的变化检测和分类，并探讨其中的挑战和解决方法。
一、引言随着高分辨率卫星的不断更新换代和多时相图像的获取，多时相变化检测和分类成为了研究热点。
通过对不同时间段的卫星图像进行分析，可以了解地表物体的动态变化，提供关键信息支持决策制定。
二、变化检测方法1.基于像素的方法基于像素的变化检测方法是最常用的方法之一。
它通过比较不同时间段的同一位置像素的亮度、颜色和纹理等特征来判断是否发生了变化。
常用的方法有差异图法、统计方法和模型比较法等。
2.基于目标的方法基于目标的方法是在像素级别的基础上，进一步对目标进行建模和分析。
这种方法可以获取更为准确的变化信息，但对目标的准确提取和匹配要求较高。
常用的方法有目标跟踪法、目标重叠法和目标匹配法等。
三、变化分类方法变化分类是将检测到的变化进行分类归类，常见的类别包括建筑物变化、植被变化和水体变化等。
变化分类方法通常用于研究地表的演化过程和动态变化规律，为后续的决策提供参考。
1.基于像素的方法基于像素的变化分类方法主要是利用像素的光谱信息和上下文特征进行分类。
常用的方法有支持向量机、最大似然法和随机森林等。
2.基于目标的方法基于目标的变化分类方法主要是对目标的形状、纹理、尺寸等特征进行提取和分析。
通常需要将卫星图像的变化目标进行分割，提取目标特征后进行分类。
常用的方法有分割-特征提取-分类法和级联分类法等。
四、挑战和解决方法多时相卫星图像的变化检测和分类面临一些挑战，如数据质量、特征选择、遥感图像配准以及大数据处理等。
为解决这些挑战，研究者提出了一系列方法和技术。
1.数据质量问题多时相卫星图像的质量可能受到光照、大气、云雾和传感器等因素的影响。
针对这一问题，研究者可以采用辐射校正、大气校正和云雾去除等方法提高数据质量。
遥感影像的多时相监测方法研究
遥感影像的多时相监测方法研究在当今的科技时代，遥感技术已经成为获取地球表面信息的重要手段之一。
其中，遥感影像的多时相监测在众多领域发挥着关键作用，如环境监测、农业评估、城市规划以及灾害预警等。
多时相遥感影像能够反映出地表特征在不同时间的变化情况，为我们深入了解地球系统的动态过程提供了宝贵的数据支持。
多时相遥感影像监测的基本原理是通过对同一地区在不同时间获取的遥感影像进行对比分析，从而揭示出该地区的变化信息。
这些影像可以来自不同的传感器，具有不同的空间分辨率、光谱分辨率和时间分辨率。
为了有效地进行多时相监测，首先需要对这些影像进行预处理，包括辐射校正、几何校正和大气校正等，以确保影像之间具有可比性。
在辐射校正方面，由于传感器本身的特性以及光照条件的差异，不同时间获取的影像在辐射亮度上可能存在偏差。
通过辐射校正，可以将影像的辐射亮度值转换为具有实际物理意义的辐射量，如反射率或发射率。
几何校正则是解决由于卫星轨道、姿态以及地球自转等因素导致的影像几何变形问题，使得不同影像中的相同地物能够准确匹配。
大气校正用于消除大气对电磁波的散射和吸收影响，从而更真实地反映地表的光谱特征。
在完成预处理后，接下来就是选择合适的变化检测方法。
常见的方法包括基于像元的方法、基于对象的方法以及基于特征的方法。
基于像元的方法是最为直接和简单的方法之一。
它通过对不同时相影像中对应像元的灰度值或光谱值进行比较，来判断是否发生了变化。
例如，差值法就是计算两个时相影像对应像元值的差值，如果差值超过一定的阈值，则认为发生了变化。
这种方法的优点是计算简单，容易实现，但缺点是对噪声较为敏感，容易产生误判。
基于对象的方法则首先对影像进行分割，将其划分为具有相似特征的对象，然后比较不同时相影像中对象的属性变化。
相比基于像元的方法，基于对象的方法能够更好地考虑地物的空间特征和上下文信息，减少噪声的影响，提高变化检测的准确性。
但该方法的计算复杂度较高，对影像分割的质量要求也较高。
遥感影像的多时相变化分析
遥感影像的多时相变化分析在当今科技飞速发展的时代，遥感技术已经成为我们获取地球表面信息的重要手段之一。
而遥感影像的多时相变化分析，则是深入研究地球表面动态变化的一把关键钥匙。
遥感影像，简单来说，就是通过卫星、飞机等遥感平台获取的地球表面的图像。
这些图像包含了丰富的信息，如地形、植被、土地利用、水体等等。
多时相，指的是在不同时间获取的同一地区的遥感影像。
通过对这些不同时间的影像进行分析和比较，我们能够发现许多有趣且重要的变化。
为什么要进行遥感影像的多时相变化分析呢？这有着多方面的重要意义。
首先，它能够帮助我们监测环境变化。
比如，观察森林的砍伐情况、草原的退化趋势、冰川的消融速度以及城市的扩张范围等。
这些变化对于生态平衡、气候变化的研究以及可持续发展的规划都具有极其重要的参考价值。
其次，多时相变化分析在农业领域也发挥着重要作用。
我们可以通过分析不同时期农作物的生长状况，来评估农作物的产量，及时发现病虫害的发生，从而采取相应的措施，保障农业生产的稳定和高效。
再者，对于自然灾害的监测和评估，遥感影像的多时相变化分析也是不可或缺的。
比如，在地震、洪水、山体滑坡等灾害发生后，通过对比灾前和灾后的影像，能够快速准确地评估灾害的影响范围和破坏程度，为救援和重建工作提供重要的依据。
在进行遥感影像多时相变化分析时，我们首先需要获取合适的遥感影像数据。
这些数据的来源多种多样，包括各种卫星遥感平台，如陆地卫星系列、哨兵卫星系列等，以及航空遥感平台。
获取到的数据需要进行预处理，这包括几何校正、辐射校正等步骤，以确保不同时间获取的影像具有可比性。
接下来，就是关键的变化检测步骤。
常用的变化检测方法有很多种，比如基于像元的方法、基于对象的方法以及基于深度学习的方法等。
基于像元的方法直接对影像的每个像素进行分析和比较，计算像素值的差异来判断是否发生了变化。
这种方法简单直接，但容易受到噪声的影响。
基于对象的方法则首先对影像进行分割，将其划分为不同的对象，然后对这些对象的特征进行分析和比较，判断其是否发生了变化。
多时相变化实验报告(3篇)
第1篇一、实验目的本次实验旨在通过多时相遥感影像变化检测技术，实现对特定区域在一定时间段内发生的变化进行有效识别和分析。
通过实验，掌握多时相遥感影像变化检测的基本原理和方法，提高对遥感影像处理与分析的能力。
二、实验原理多时相遥感影像变化检测是利用遥感技术对同一区域在不同时间点获取的影像进行对比分析，以识别和提取出变化信息。
实验主要采用以下步骤：1. 数据准备：获取实验所需的多时相遥感影像数据，包括不同时间点的影像、地理坐标、分辨率等信息。
2. 影像预处理：对获取的多时相遥感影像进行辐射定标、几何校正、大气校正等预处理操作，以提高影像质量。
3. 影像配准：将不同时间点的遥感影像进行配准，确保影像在空间位置上的一致性。
4. 变化检测算法：采用合适的算法对配准后的影像进行变化检测，提取出变化信息。
5. 变化信息分析：对提取出的变化信息进行分析，确定变化类型、变化范围和变化强度等。
三、实验材料1. 实验数据：选取我国某城市某区域在不同时间点获取的多时相遥感影像数据。
2. 实验软件：遥感影像处理与分析软件，如ENVI、ArcGIS等。
3. 实验设备：计算机、打印机等。
四、实验步骤1. 数据准备：下载实验所需的多时相遥感影像数据，包括不同时间点的影像、地理坐标、分辨率等信息。
2. 影像预处理：对获取的多时相遥感影像进行辐射定标、几何校正、大气校正等预处理操作，以提高影像质量。
3. 影像配准：利用遥感影像处理与分析软件，对预处理后的影像进行配准，确保影像在空间位置上的一致性。
4. 变化检测算法：选择合适的算法对配准后的影像进行变化检测，提取出变化信息。
本次实验采用基于阈值分割的方法进行变化检测。
5. 变化信息分析：对提取出的变化信息进行分析，确定变化类型、变化范围和变化强度等。
五、实验结果与分析1. 实验结果通过实验，成功实现了对实验区域的多时相遥感影像变化检测。
变化检测结果如图1所示。
图1 实验区域变化检测结果2. 实验分析（1）变化类型：实验结果显示，实验区域主要发生了土地利用变化和地表覆盖变化。
遥感多时相监测技术
道路
光谱特征变异法
同一地物反映在一时相影像上的信息与其反应 在另外时相影像上的光谱信息是一一对应的。 当将不同时相影像进行融合时，如果同一地物 在两者上的信息表现不一致时，那么融合后的 影像中此地物的光谱就表现的与正常的光谱有 所差异，此时就称地物发生了光谱特征变异， 我们就可以根据发生变异的光谱特征确定变化 信息 TM、SPOT融合有色斑就是信息变化的地方
假彩色合成法
434
手工数字化法 -屏幕数字化 -区域生长法 图像自动分类 -监督分类 -非监督分类（以上两个除了减法除法，因为只有一 个波段） -面向对象的特征提取（对数据没太大的要求） 图像分割 -手动阈值分割 -自动阈值分割 组合法
图像直接比较法
大气纠正：否则有系统误差 举例：分类后比较法
假彩色合成法
信息
图像分类后比较法
地物类型以及变化量的改变
波段替换法
在RGB假彩色合成中，G和B分量用前时相的 两个波段，用后一时相的一个波段影像组成R 分量，在合成的RGB假彩色图像上能够很容易 地发现红色区域即为变化区域
信息提取技术
多时相影像动态检测技术
多时相影像动态检测技术
发现信息
提取信息
遥感变化检测技术
遥感变化检测就是从不同时期的遥感数据中， 定量的分析和确定地表变化的特征与过程。 变化的两个含义：耕地变为建筑用地。树林叶 子凋谢二分之一和五分之一
检测方法
-图像直接比较法：图像差值法、图像比值法、 主成分分析法、光谱变异法、假彩色合成法、 波段替换法、变化矢量分析法、波段交叉分析 以及混合检测法 -分类后结果比较法（土地利用变化混淆矩阵） -直接分类法：多时相主成分分析后分类法
遥感影像的时序分析与变化检测方法
遥感影像的时序分析与变化检测方法随着科技的快速发展，遥感技术在各个领域都得到了广泛应用。
其中，遥感影像的时序分析与变化检测方法尤为重要。
时序分析是指对一系列连续获取的遥感影像进行处理与分析，以了解对象在时间上的变化情况。
变化检测则是指通过对两个或多个时序影像进行比较，以获取目标区域在不同时间段内的变化信息。
下面，本文将对遥感影像的时序分析与变化检测方法进行探讨。
首先，遥感影像的时序分析是通过收集连续获取的遥感影像数据，并利用图像处理算法进行特征提取和分析，以了解地表物体的变化情况。
常用的时序分析方法包括特征提取、时间序列分析和时序数据融合等。
特征提取是通过提取影像中的光谱、纹理、形状等特征，来描述地物的不同状态。
时间序列分析则是通过统计分析方法，对多个时序影像进行比较和分析，以获取地物的变化趋势。
时序数据融合则是将多个时序影像中的信息进行综合，得到更为准确和全面的变化信息。
其次，变化检测是通过对两个或多个时序影像进行比较，以获取目标区域在不同时间段内的变化信息。
变化检测方法主要包括基于差值图像的方法、基于分类的方法和基于时序影像匹配的方法等。
基于差值图像的方法是通过计算两个时序影像之间的差异，以找到发生变化的地物。
常用的差值图像包括差值影像、比值影像和归一化差异植被指数等。
基于分类的方法则是将时序影像进行分类，然后通过比较分类结果，找到不同时间段内的地物变化。
基于时序影像匹配的方法是将两个或多个时序影像进行匹配，以获取地物的变化信息。
此外，随着深度学习的发展，遥感影像的时序分析与变化检测方法也得到了一定的改进与创新。
深度学习是指通过构建深度神经网络，并利用大量样本数据进行训练，以实现对遥感影像的自动特征提取和分类。
在时序分析与变化检测方面，深度学习可以通过卷积神经网络等模型，对多时刻的遥感影像进行处理和分析，从而获取更准确和详细的变化信息。
综上所述，遥感影像的时序分析与变化检测方法在地理信息系统、自然资源管理、城市规划等领域中具有重要的应用价值。
多时相遥感影像变化检测技术的研究
多时相遥感影像变化检测技术的研究摘要：对于多时相遥感影像其自身变化检测技术给予相关的研究，按照图像其自身的变化提出研究目标其相关的变化信息，并且使其能够对于研究目标给予动态的监测，这一技术不管是在理论上亦或是在相关领域的应用上都有着非常主要的研究意义以及十分普遍的使用前景。
本文按照多时相遥感影像变化的检测流程对遥感影像相关的预处理和遥感影像变化信息进行提取并且对其精度评价等重点技术进行探索与研究，其主要的目的就是经过创新与改进，能够在极大程度上对于多时相遥感影像变化方法出现的困难给予克制，令变化检测的精度与效率得到提升。
关键词：多时相遥感影像；变化检测；精度评价遥感主要是使用遥感器“遥远”的去对目标对象相关数据进行收集，并且在进行收集的过程中使用数据的分析软件去对于与数据相关的地物目标和地区，还有现象信息进行分析的一门科学和技术。
近几年，伴随着卫星技术的快速发展，通过把多种传感器搭载到卫星平台，对于地遥感观测累积了非常多的地表在时间变化上的数据，怎么样提升对这些遥感数据的有效处理与利用，使其能够被转化成为比其本身更有价值的知识，另其可以给有关部门得出相应的、准确的、快速的决策提供十分有帮助的辅助信息，这种发展目标，使得多时相遥感影像变化检测技术获得了快速的发展。
1 多时相遥感影像变化检测的技术路线多时相的遥感影像变化检测技术主要是给指给定相同地区中的不同的时相的单波段或者是多波段的遥感图像，去使用图像处置的方式快速并且告诉的检测出这一地区其自身的地物是不是产生了转变变化，假如其自身产生了变化那么就需要进一步去对其自身变化的特点与原因进行分析，从而使其能够实现对于遥感图像给予的分析和理解。
首先对于同一地区的多时相遥感影像进行选择使其能够被当成数据源，然后通过去对遥感影像其自身的辐射校正与图像配准去完成相关数据的预处置，接着使用变化检测的算法去获得变化结果生成图或者是生成表使其能够对于变化信息的提取，再次使用分析变化检出率与检测虚警率去对变化检测结果给参与一个有效合理的精度分析，另其能够满足精度评价的需要。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
摘要利用多时相遥感影像获取地物变化信息的过程称之为变化检测。
根据影像分析的层次不同，变化检测算法可以分为像素级、特征级和目标级这三类；根据数据分析的机理，变化检测算法可以分为有监督和无监督两类。
有监督的变化检测算法是基于有监督的分类方法，这种方法要求训练网络以得到网络的参数。
无监督的变化检测算法用两张不同时相的遥感影像通过直接的比较而无需附加信息就可以检测出影像的变化。
本文所提众多算法都是基于像素级、无监督的变化检测算法。
本文提出了一种基于主分量分析和上下截集模糊Kohonen聚类网络的无监督的不同时相的遥感影像的像素级变化检测算法。
该算法首次将主分量分析和上下截集模糊Kohonen聚类网络这两种方法相结合，并将它应用于不同时相的遥感影像变化检测。
该方法结合每个象素的邻域信息，利用主分量分析，产生每个象素对应的基于邻域信息的特征向量；又将变化区域检测问题转化为两类之间的分类问题；然后利用上下截集模糊 Kohonen 聚类网络对每个象素所对应的特征向量进行变化类与未变化类的聚类，得到变化检测图。
本文又提出了一种基于非下采样Contourlet变换和脉冲耦合神经网络的无监督的不同时相的遥感影像的变化检测算法。
该算法将非下采样Contourlet变换和脉冲耦合神经网络这两种方法相结合，并首次将它应用于不同时相的遥感影像变化检测。
本文首次将非下采样Contourlet变换和上下截集模糊Kohonen聚类网络相结合，提出了一种无监督的多时相遥感影像变化检测算法。
该算法采用非下采样Contourlet变换提取与对数比图像中的每个象素相对应的多尺度、多方向纹理，并采用上下截集模糊Kohonen聚类网络将这些多尺度、多方向纹理分为变化类与未变化类两类，最终得到变化检测图。
通过三个具体的变化检测算法的研究，归纳出变化检测算法一般研究思路。
关键词：主分量分析；上下截集模糊 Kohonen 聚类网络；非下采样Contourlet变换；脉冲耦合神经网络；无监督变化检测；多尺度多方向；多时相遥感影像；遥感AbstractThe process of obtaining the changed information of the earth by making use of multi-temporal satellite images is called change detection. According to the level of analyzing image, the change detection algorithms can be divided into pixel level class, characteristic level one and target level one. According to the mechanism of processing data, they can be divided into supervised class and unsupervised one. The kind of the supervised change detection algorithms are based on method of supervised classifying and require training to get the parameters of network. While the kind of the unsupervised change detection algorithms generate the change map by making a comparison of bi-temporal satellite images automatically without manual operation. The proposed algorithms belong to the kind of unsupervised change detection algorithms in pixel level.An unsupervised change detection algorithm in multi-temporal satellite images based on principal component analysis and up-down-set fuzzy Kohonen clustering network is proposed. This method makes a combination of both PCA and UDSFKCN initially, and applies it to change detection. This method generates eigenvector corresponding to every pixel combining itself with its neighbors using principal component analysis. At the same time, solving the detection of the changed pixel in a region is to divide the pixel into two groups, changed class and unchanged class. Since every pixel is described as a eigenvector, therefore to obtain a changed map of the changed region in pixel level, up-down-set fuzzy Kohonen clustering network is applied to divide all the eigenvectors into changed ones and unchanged ones.An unsupervised change detection algorithm in multi-temporal satellite images based on non-sub-sampled Contourlet transform and pulse coupled neural network is proposed. This method makes a combination of both non-sub-sampled Contourlet transform and pulse coupled neural network, and applies it to change detection initially.An unsupervised multi-scale change detection algorithm in multi-temporal satellite images is also proposed. This method makes a combination of both non-sub-sampled Contourlet transform and up-down-set fuzzy Kohonen clustering network, and applies it to change detection initially. For each pixel in the log-ratio image, multi-scale and multi-direction feature vector is extracted using non-sub-sampled Contourlet transform. The final change detection map is achieved by clustering the multi-scale and multi-direction feature vectors using up-down-set fuzzy Kohonen clustering network into two classes: changed and unchanged.Through three specific change detection algorithms, summarized the change detection algorithm for general research ideas.Keywords：Principal Component Analysis(PCA); Up-Down-Set Fuzzy Kohonen Clustering Network(UDSFKCN); Non-sub-sampled Contourlet Transform (NSCT); Pulse Coupled Neural Network (PCNN); Unsupervised Change Detection; Multi-scale and Multi-direction; Multi-temporal Satellite Images; Remote Sensing目录第一章引言 (1)1.1 研究背景及意义 (1)1.1.1背景 (1)1.1.2意义 (2)1.2 国内图像变化检测经典算法 (4)1.2.1主分量分析法 (4)1.2.2最大类间方差法 (5)1.2.3最小二乘图像相减法 (6)1.2.4小波与FCM结合法 (7)1.2.5综合特征级和像素级的两步变化检测算法 (8)1.2.6自适应空间邻域分析和瑞利-高斯模型 (8)1.3 国外图像变化检测经典算法 (9)1.3.1 基于EM和MRF的无监督变化检测算法 (9)1.3.2 基于遗传算法的变化检测算法 (10)1.3.3 基于高斯混合模型和贝叶斯推理的变化检测算法 (10)1.3.4 基于半监督的支持向量机的变化检测算法 (11)1.3.5 基于后验概率空间的变化向量分析算法 (11)1.3.6 基于多项式回归和空间邻域的变化检测算法 (12)1.3.7 基于全色融合的变化检测算法 (12)1.4 研究方案预案 (13)1.5本论文的结构安排 (14)第二章变化检测算法的基本理论 (16)2.1主分量分析PCA (16)2.2上下截集模糊Kohonen聚类网络UDSFKCN (16)2.3非降采样Contourlet变换NSCT (18)2.3.1非降采样塔型滤波器组 (18)2.3.2非降采样方向滤波器组 (19)2.3.3 NCST系数特点 (20)2.4 脉冲耦合神经网络PCNN (21)2.4.1脉冲耦合神经网络的基本原理 (21)2.4.2图像中的脉冲耦合神经网络设计 (22)2.5 遥感影像变化检测的一般思路 (23)第三章基于PCA和UDSFKCN的变化检测算法 (24)3.1 算法概述 (24)3.2 理论模型和实现算法 (25)3.3 实验结果及讨论 (27)3.4 结论 (29)第四章基于NSCT和PCNN的变化检测算法 (30)4.1 算法概述 (30)4.2 理论模型和实现算法 (30)4.2.1理论模型 (30)4.2.2 实现算法 (31)4.3 实验结果 (32)4.3.1 两种算法的定性比较 (32)4.3.2 算法性能的定量比较一 (33)4.3.3 算法性能的定量比较二 (34)4.4 实验分析 (35)4.5 结论 (36)第五章基于NSCT和UDSFKCN的变化检测算法 (37)5.1算法概述 (37)5.2理论模型和实现算法 (38)5.2.1理论模型 (38)5.2.2实现算法 (38)5.3实验结果 (40)5.3.1 两种算法的定性比较 (40)5.3.2 算法性能的定量比较一 (41)5.3.3 算法性能的定量比较二 (42)5.4实验分析 (43)5.5结论 (43)第六章总结与展望 (44)6.1 三种变化检测算法的比较 (44)6.1.1 三种算法的定性比较 (44)6.1.2 三种算法性能的定量比较一 (44)6.1.3 三种算法性能的定量比较二 (46)6.1.4 三种算法性能的定量比较三 (47)6.1.5 三种算法的定量比较汇总 (47)6.2总结 (47)6.3展望 (49)参考文献 (50)攻读硕士研究生期间发表的学术论文 (55)致谢 (56)学位论文独创性声明 (57)论文知识产权权属声明 (57)第一章引言1.1 研究背景及意义1.1.1背景多时相通常是指反映一组遥感影像在时间系列上所具有的特征。