| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-16页 |
| 第一章 绪论 | 第16-22页 |
| 1.1 研究的背景及意义 | 第16-17页 |
| 1.2 图像变化检测研究现状 | 第17-19页 |
| 1.2.1 像素级别变化检测 | 第17页 |
| 1.2.2 目标级别变化检测 | 第17-18页 |
| 1.2.3 超像素级别变化检测 | 第18页 |
| 1.2.4 深度学习与变化检测 | 第18-19页 |
| 1.3 图像变化检测存在的问题 | 第19-20页 |
| 1.4 论文的主要工作及内容安排 | 第20-22页 |
| 第二章 基于深度学习的超像素级别变化检测理论研究 | 第22-36页 |
| 2.1 变化检测流程 | 第22-26页 |
| 2.1.1 图像预处理 | 第22-23页 |
| 2.1.2 差异影像图生成 | 第23-24页 |
| 2.1.3 差异影像图分析 | 第24-25页 |
| 2.1.4 评价指标 | 第25-26页 |
| 2.2 超像素分割 | 第26-27页 |
| 2.3 深度神经网络 | 第27-36页 |
| 2.3.1 深度置信网络 | 第28-33页 |
| 2.3.2 卷积神经网络 | 第33-36页 |
| 第三章 基于卷积神经网络的超像素级别遥感图像变化检测 | 第36-46页 |
| 3.1 引言 | 第36页 |
| 3.2 方法框架 | 第36-40页 |
| 3.2.1 算法简介 | 第36-37页 |
| 3.2.2 联合SLIC分割算法 | 第37-38页 |
| 3.2.3 简单超像素相似度度量法 | 第38-39页 |
| 3.2.4 卷积神经网络的构建 | 第39-40页 |
| 3.3 实验研究 | 第40-44页 |
| 3.3.1 数据集描述 | 第40-42页 |
| 3.3.2 实验结果 | 第42-44页 |
| 3.4 结论 | 第44-46页 |
| 第四章 基于深度置信网络的超像素级别多时相遥感图像三分类变化分析 | 第46-68页 |
| 4.1 引言 | 第46-47页 |
| 4.2 方法框架 | 第47-53页 |
| 4.2.1 算法简介 | 第47-48页 |
| 4.2.2 超像素协方差特征提取 | 第48-49页 |
| 4.2.3 预分类阶段 | 第49-50页 |
| 4.2.4 样本选择 | 第50-51页 |
| 4.2.5 深度置信网络的训练 | 第51-52页 |
| 4.2.6 多尺度的融合 | 第52-53页 |
| 4.3 实验研究 | 第53-66页 |
| 4.3.1 数据集描述 | 第53-55页 |
| 4.3.2 评价指标 | 第55-56页 |
| 4.3.3 参数设定 | 第56-60页 |
| 4.3.4 实验结果 | 第60-66页 |
| 4.4 结论 | 第66-68页 |
| 第五章 基于耦合卷积神经网络超像素级别异源图像变化检测 | 第68-90页 |
| 5.1 引言 | 第68-69页 |
| 5.2 方法框架 | 第69-76页 |
| 5.2.1 算法简介 | 第69-71页 |
| 5.2.2 超像素精化分割 | 第71-72页 |
| 5.2.3 卷积自动编码器预训练 | 第72-74页 |
| 5.2.4 耦合卷积神经网络训练 | 第74-76页 |
| 5.3 实验研究 | 第76-87页 |
| 5.3.1 数据集描述 | 第77-79页 |
| 5.3.2 实验参数设置 | 第79-81页 |
| 5.3.3 实验结果 | 第81-87页 |
| 5.4 结论 | 第87-90页 |
| 第六章 总结与展望 | 第90-92页 |
| 6.1 总结 | 第90-91页 |
| 6.2 展望 | 第91-92页 |
| 参考文献 | 第92-98页 |
| 致谢 | 第98-100页 |
| 作者简介 | 第100-101页 |
