摘要：变化图斑检测参数一般认为是由“尺度”、“形状”、“紧凑度”三要素组合而成。“紧凑度”和“形状”两个要素可以在0、1之间任意取值，但在实际变化图斑检测参数设置过程中通常被离散化为0、1之间的9个等分点。可以这样认为：在尺度要素不变的情况下，上述两个被离散化后的要素最优后时相变化图斑可以采取穷举法，在81种可能产生的分割数据集中，将参数代入最优参数组合精度技术参数中去，比较分析并提取出变化图斑最优参数组合。相比而言，尺度要素的选取要复杂的多。
　　关键词：波段权重;形状要素;紧凑度权重;分割尺度
　　0引言
　　面对大量高分辨率的多尺度图斑数据，特别是在高分一、二号，天绘一号，遥感二、五、八、十四、二十四、二十六号，资源三号等一大批国产遥感卫星在国情监测、环保督察、土地监察等方向的广泛应用的新形势下，以往主要借助人工“目视解译”的方式显然已经不合时宜，借助云计算、人工智能、计算机图形学等新的变化图斑检测手段的创新方兴未艾。
　　1变化图斑检测方法一般性流程
　　从全局角度来说，变化图斑检测方法涵盖目视解译和面向对象型自动或半自动采集。目视解译是按照已经成熟借助的经验和知识，借助特定环境下的解译标志与多种非遥感资料，对变化图斑展开综合分析和逻辑推理，后期得到地物信息的过程。高清遥感图斑出现之前的解译通常是原始手动方式或借助判读仪器来解译变化图斑的，也就是目视解译，后来慢慢成长为由相关变化图斑自动分割算法配合下的信息采集。其过程首先是借助适当的算法展开变化图斑补充改善变化图斑的视觉效果，接下来运用模式识别方法展开变化图斑自动（或智能）识别，进一步采集变化图斑的信息，其关键是变化图斑自动（或智能）识别算法和变化图斑类别的变化图斑特征选择。
　　如图1所示，常见的变化图斑自动（或智能）识别手段属于挖掘像元思维角度，变化图斑类别的特征是单个像元的值，分类算法计算的对象也是独立存在的各个像元。但是，上述算法不能处理“不同地物光谱同质性假象”和“同种地物光谱异质性假象”，此外还有“同种地物光谱变异问题”在制图方面的弊端也无法控制，因此该方法没有得到广泛应用。
　　2变化图斑机器学习应用现状
　　更进一步说，在多尺度变化图斑检测机器学习广泛应用的今天，同高分辨率遥感平台的不断扩大和完善一道，高分辨率多尺度圖斑在各行业的应用越来越广。与空间分辨率的积极性变化一起，常见的多尺度图斑变化图斑自动（或智能）识别手段己经不能满足高分辨率多尺度图斑的自动（或智能）识别需求。一方面，高分辨率变化图斑中所包含的地物细节信息非常丰富，涵盖空间、纹理和上下文信息;在此基础上，常见的基于像元的思维角度无法快速有效地完成信息采集工作，因此基于对象的变化图斑分析方法（面向对象的变化图斑分割质量评价方法）作为多尺度图斑分析的若干新思维角度被提出，变化图斑分割质量评价方法的兴起速度惊人，是变化图斑检测方向很具有吸引力的若干研究方向。变化图斑分割质量评价方法大体上涵盖两大步骤：一是对高分辨率变化图斑展开分割，产生满足内部同质性和外部异质性的“变化图斑对象”或“变化图斑斑块”，而这些变化图斑对象具有各自的光谱、空间、纹理和上下文属性，如颜色、形状、大小等等;二是基于分割后的变化图斑对象的属性信息，运用模式识别和机器学习方法对其展开自动（或智能）识别，而且让自动（或智能）识别结果可视化，以满足一定精度要求的专题地图的形式呈现出来。
　　3变化图斑分割质量评价
　　在基于对象的变化图斑分析中，分割结果会反作用于后期的自动（或智能）识别结果。好的分割结果会积极性变化自动（或智能）识别的效率，同时决定自动（或智能）识别精度的上限，是变化图斑分割质量评价方法基础而且关键的若干环节。在遥感方向，针对有差异应用和目的，有差异的变化图斑分割算法不断被提出，而多分辨率分割算法的创新发明被认为是多尺度图斑分割的若干具有决定意义的创造。该算法在变化图斑分割时综合了变化图斑的光谱信息和空间信息，能产生内部同质性最高的变化图斑对象，其关键参数有尺度、形状要素、紧凑度要素，这些参数的不一样组合会产生有差异的分割结果。基于以上分析，如何评价变化图斑检测某个参数组合下的变化图斑分割质量是变化图斑分割质量评价方法中一定处理的若干问题。