| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第13-15页 |
| 缩略语对照表 | 第15-21页 |
| 第一章 绪论 | 第21-35页 |
| 1.1 研究背景及意义 | 第21页 |
| 1.2 遥感图像变化检测的概念和技术发展 | 第21-25页 |
| 1.3 论文所研究问题及其对应数据集简介 | 第25-29页 |
| 1.3.1 SAR图像的二分类变化检测数据集 | 第25-26页 |
| 1.3.2 信息非均衡图像的三分类变化检测数据集 | 第26-28页 |
| 1.3.3 单光谱图像的多分类变化检测数据集 | 第28-29页 |
| 1.4 变化检测结果评价机制 | 第29-32页 |
| 1.4.1 分类统计频率矩阵,错检数和漏检数 | 第29-31页 |
| 1.4.2 分类总正确率 | 第31页 |
| 1.4.3 Kappa系数 | 第31-32页 |
| 1.5 论文的结构安排 | 第32-35页 |
| 第二章 基于局部拟合兼半期望最大化变化检测方法 | 第35-49页 |
| 2.1 引言 | 第35-36页 |
| 2.2 背景理论和基本思想 | 第36-39页 |
| 2.2.1 KI和GKI阈值分割技术简介 | 第36-37页 |
| 2.2.2 差异图灰度直方图特点分析 | 第37页 |
| 2.2.3 动机和基本思想 | 第37-39页 |
| 2.3 方法详述 | 第39-44页 |
| 2.3.1 SFI上下限的确定 | 第39-40页 |
| 2.3.2 未变类模型的选取和初始阈值的确定 | 第40-41页 |
| 2.3.3 平移参数的计算 | 第41页 |
| 2.3.4 SEM法拟合变化类分布 | 第41-43页 |
| 2.3.5 最优阈值的确定 | 第43-44页 |
| 2.4 实验及其结果分析 | 第44-48页 |
| 2.4.1 参数测试 | 第44-45页 |
| 2.4.2 红河数据集实验结果 | 第45-46页 |
| 2.4.3 墨西哥数据集实验结果 | 第46-47页 |
| 2.4.4 垦利数据集实验结果 | 第47-48页 |
| 2.5 本章小结 | 第48-49页 |
| 第三章 基于新型能量函数的Markov随机场模糊聚类变化检测方法 | 第49-63页 |
| 3.1 引言 | 第49-50页 |
| 3.2 背景理论和基本步骤 | 第50-53页 |
| 3.2.1 MRF简介 | 第50-51页 |
| 3.2.2 利用MRF改进FCM的步骤 | 第51-53页 |
| 3.3 新型能量函数的构建 | 第53-58页 |
| 3.3.1 能量函数形式的确定 | 第53-54页 |
| 3.3.2 附加项的构建 | 第54-57页 |
| 3.3.3 能量函数的最终形式 | 第57页 |
| 3.3.4 时间复杂度分析 | 第57-58页 |
| 3.4 实验及其结果分析 | 第58-62页 |
| 3.4.1 参数测试 | 第58-59页 |
| 3.4.2 红河数据集实验结果 | 第59-60页 |
| 3.4.3 墨西哥数据集实验结果 | 第60-61页 |
| 3.4.4 垦利数据集实验结果 | 第61-62页 |
| 3.5 本章小结 | 第62-63页 |
| 第四章 基于差异图动态引导式学习的变化检测方法 | 第63-83页 |
| 4.1 引言 | 第63页 |
| 4.2 背景知识及分析 | 第63-65页 |
| 4.2.1 阈值分析和后验概率 | 第63-64页 |
| 4.2.2 模糊聚类分析和隶属度 | 第64页 |
| 4.2.3 水平集分割技术简介 | 第64-65页 |
| 4.3 差异图的动态引导式学习框架 | 第65-71页 |
| 4.3.1 三类像素点后验概率和隶属度特点分析 | 第66-68页 |
| 4.3.2 动态引导式学习策略的构建 | 第68页 |
| 4.3.3 差异图直方图演变趋势 | 第68-70页 |
| 4.3.4 最终差异图的水平集分割 | 第70-71页 |
| 4.4 实验及其结果分析 | 第71-82页 |
| 4.4.1 迭代次数对实验结果的影响 | 第72页 |
| 4.4.2 红河数据集实验结果 | 第72-76页 |
| 4.4.3 墨西哥数据集实验结果 | 第76-79页 |
| 4.4.4 垦利数据集实验结果 | 第79-82页 |
| 4.5 本章小结 | 第82-83页 |
| 第五章 基于深度学习的信息非均衡图像三分类变化检测方法 | 第83-105页 |
| 5.1 引言 | 第83页 |
| 5.2 背景基础理论介绍 | 第83-87页 |
| 5.2.1 变化向量分析模型和三分类变化检测 | 第83-85页 |
| 5.2.2 信息非均衡图像 | 第85-86页 |
| 5.2.3 深度学习及其变化检测应用 | 第86-87页 |
| 5.3 堆栈去噪自编码器和堆栈映射网络简介 | 第87-90页 |
| 5.3.1 堆栈去噪自编码器 | 第87-89页 |
| 5.3.2 堆栈映射网络 | 第89-90页 |
| 5.4 基于深度特征学习和映射技术框架 | 第90-96页 |
| 5.4.1 特征的提取 | 第91页 |
| 5.4.2 样本特征的选择 | 第91-93页 |
| 5.4.3 映射函数的构建 | 第93-94页 |
| 5.4.4 特征的对比和变化特征通道的生成 | 第94-95页 |
| 5.4.5 最终变化检测结果图的生成 | 第95-96页 |
| 5.5 实验及其结果分析 | 第96-103页 |
| 5.5.1 对N的测试 | 第96-97页 |
| 5.5.2 对N'和M'的测试 | 第97页 |
| 5.5.3 实验结果及其对比 | 第97-103页 |
| 5.6 本章小结 | 第103-105页 |
| 第六章 基于模糊自编码器的多分类变化检测方法 | 第105-121页 |
| 6.1 引言 | 第105页 |
| 6.2 模糊数 | 第105-108页 |
| 6.2.1 模糊数的概念 | 第106页 |
| 6.2.2 模糊数的α切 | 第106-107页 |
| 6.2.3 模糊数基本运算 | 第107-108页 |
| 6.3 利用模糊自编码器进行多分类变化检测 | 第108-112页 |
| 6.3.1 模糊自编码器的结构 | 第108页 |
| 6.3.2 模糊数的离散化 | 第108-110页 |
| 6.3.3 损失函数的构建 | 第110-111页 |
| 6.3.4 参数共享和堆栈处理 | 第111页 |
| 6.3.5 特征去模糊化以及多种变化类别的检出 | 第111-112页 |
| 6.4 实验及其结果分析 | 第112-119页 |
| 6.4.1 对N和N'的测试 | 第113页 |
| 6.4.2 对m的测试 | 第113-114页 |
| 6.4.3 诸方法生成的实验结果及其对比 | 第114-118页 |
| 6.4.4 两种不同范数构建的损失函数对应结果对比 | 第118-119页 |
| 6.5 本章小结 | 第119-121页 |
| 第七章 总结与展望 | 第121-125页 |
| 7.1 论文工作总结 | 第121-122页 |
| 7.2 未来研究展望 | 第122-125页 |
| 参考文献 | 第125-133页 |
| 致谢 | 第133-135页 |
| 作者简介 | 第135-137页 |
