遥感图像变化检测方法(简称变化检测)根据处理目标要求可以分为三类：特定类目标的变化检测，如机场、桥梁、港口、导弹基地等目标的变化检测；线性体目标的变化检测，如道路、机场、桥梁和一般建筑物等目标的变化检测；大面积目标的变化检测，如某地域的植被变化、城市的发展、洪水灾害评估等。本文系统地研究了基于模式识别知识检测特定类目标、线性体目标和大面积目标变化的变化检测方法。 为了实现对特定类目标的变化检测，本文提出了一种基于目标检测的变化检测方法。该变化检测法的工作流程为：多时相图像配准、特定类目标建模、检测特定类目标、确定特定类目标的位置、比较特定类目标在参考图像和检测图像中的位置、报告变化情况。本文提到的特定类目标建模，是对某类特定目标的共同属性进行建模，即一般模型，而不是针对某个具体目标进行详细的状态描述。本论文提出的机场检测法在试验中达到了100％的正确检测率。确定了检测图像中的机场位置后，就可以将检测结果与参考图像中的机场位置进行比较，从而实现机场位置变化的检测。 对于检测线性体目标的变化，本论文提出了一种基于边缘检测的变化检测方法。该变化检测法的工作流程为：多时相图像配准、图像标准化、提取参考图像及检测图像的边缘、匹配边缘图像中的边缘并获得边缘差分图像、标注变化情况。边缘检测算子的性能直接影响变化检测结果。本论文提出了一种全新的边缘检测算子——正弦算子。本论文详细分析了边缘算子的三个性能准则：检测性能、定位性能和响应唯一性，在此基础上提出了正弦算子。正弦算子不但具有较好的容噪能力，并且能够检测到灰度变化较小的边缘。理论结果和试验结果都证明正弦算子是一个性能卓越的边缘检测算子。 对于检测大面积目标的变化，本文使用基于图像聚类的变化检测方法，实现步骤为：多时相图像配准、分别聚类参考图像和检测图像、寻找参考图像和检测图像聚类结果中具有类别差异的像素、在原始图像的副本中用醒目颜色标注变化部分。该变化检测方法的检测结果精度主要取决于遥感图像聚类结果的精度，因此研究一种稳健的遥感图像聚类法具有重要意义。而稳健的特征提取方法是实现图像正确聚类的关键。本文提出一种能稳健提取特征和图像聚类的方法。本文提 中国科学院电子学研究所博士学位论文 基于模式识别知识的遥感图像变化检测研究出使用形态学方法分析图像统计直方图，根据直方图分布消除滑动窗口中的次要目标。该方法既能消除次要目标，也能保留主要目标的图像细节，从而提高滑动窗口中图像特征的稳健性。对于从备选特征中选取信息特征，本文分两步完成：先剔除非信息冗余特征，再剔除信息冗余特征。在剔除非信息冗余特征时，本文使用误差概率准则法。误差概率准则法可以根据分类误差要求剔除全部的非信息冗余特征。在剔除信息冗余特征时，我们使用一般的线性相关法，当两个特征的相关系数超过某个阈值时，就剔除其中的一个特征。试验结果表明，本文的特征提取法要优于判别边界特征提取法，并且，能以较小的运算量而获得与分类精度分布法相近的分类精度。当对某种类型数据源提取特征之后，我们就可以使用这个特征量对该数据源进行聚类处理。本文提出了一种中高分辨率遥感图像的聚类方法。该聚类方法的过程分为两部分：学习过程和识别过程。学习过程为：选取图像特征、使用己知类别的特征训练BPC网络；识别过程为：输入待分类图像。预处理滑动窗口中图像、计算滑动窗日的图像特征、使用BPC网络判断滑动窗口中心像素的类别、在图像中逐点移动滑动窗口、完成整个图像的分类。试验结果表明，本文的特征提取法和图像聚类法能获得较好的图像聚类精度。