| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 英文縮写与全称对照表 | 第9-11页 |
| 目录 | 第11-14页 |
| 1 绪论 | 第14-44页 |
| 1.1 课题的研究背景及意义 | 第14-15页 |
| 1.2 国内外研究与发展现状 | 第15-19页 |
| 1.3 变化检测的预处理与精度评价 | 第19-20页 |
| 1.4 本文主要研究内容 | 第20-24页 |
| 1.5 本文研究内容之间的联系 | 第24-25页 |
| 1.6 背景知识 | 第25-43页 |
| 1.7 论文结构安排 | 第43-44页 |
| 2 基于自适应权重马尔科夫随机场模型的变化检测方法 | 第44-65页 |
| 2.1 引言 | 第44-45页 |
| 2.2 图像模型和问题描述 | 第45-46页 |
| 2.3 使用8邻域线过程检测图像细节 | 第46-48页 |
| 2.4 自适应权重MRF模型 | 第48-51页 |
| 2.5 实现细节 | 第51-52页 |
| 2.6 总体算法 | 第52-53页 |
| 2.7 参数设置 | 第53-54页 |
| 2.8 实验结果和讨论 | 第54-63页 |
| 2.9 结论 | 第63-65页 |
| 3 基于DS证据理论的期望最大参数估计及其变化检测应用 | 第65-86页 |
| 3.1 引言 | 第65-66页 |
| 3.2 标准的期望最大算法 | 第66-67页 |
| 3.3 引入DST的EM算法(EEM算法) | 第67-69页 |
| 3.4 EEM算法步骤 | 第69-70页 |
| 3.5 基于DS据理论的迭代最大后验概率标记方法 | 第70-73页 |
| 3.6 最大后验概率标记算法步骤 | 第73-74页 |
| 3.7 实验结果与讨论 | 第74-85页 |
| 3.8 结论 | 第85-86页 |
| 4 基于广义高斯分布和活动轮廓模型的SAR图像变化检测 | 第86-101页 |
| 4.1 引言 | 第86-89页 |
| 4.2 基于区域统计模型的水平集演化 | 第89页 |
| 4.3 广义高斯分布和最大似然参数估计 | 第89-91页 |
| 4.4 基于广义高斯分布的水平集演化 | 第91-92页 |
| 4.5 算法步骤 | 第92-93页 |
| 4.6 实验结果与讨论 | 第93-99页 |
| 4.7 结论 | 第99-101页 |
| 5 基于小波变换和活动轮廓模型的多谱图像变化检测方法 | 第101-121页 |
| 5.1 引言 | 第101-102页 |
| 5.2 问题描述和方法总览 | 第102-104页 |
| 5.3 差值图像的多分辨率表达 | 第104页 |
| 5.4 Beltrami框架和集成活动轮廓模型 | 第104-108页 |
| 5.5 合理尺度选择 | 第108-109页 |
| 5.6 实验结果与讨论 | 第109-120页 |
| 5.7 结论 | 第120-121页 |
| 6 全文总结及展望 | 第121-124页 |
| 6.1 本文主要研究内容 | 第121-122页 |
| 6.2 本文的主要创新点 | 第122-123页 |
| 6.3 进一步研究展望 | 第123-124页 |
| 致谢 | 第124-125页 |
| 参考文献 | 第125-138页 |
| 附件1 作者在攻读博士学位期间科研成果 | 第138-140页 |
| 附件2 博士期间取得的学术成果与博士学位论文对应关系 | 第140-141页 |
| 附件3 作者在博士期间主要参与课题 | 第141页 |
