本節所研究的主要是基於像元級的遙感變化信息檢測方法。當今國內外常用的遙感變化信息檢測方法主要有分類後比較法、代數運算法、光譜特征變異法、主成分分析法等。
( 壹) 光譜特征變異法
光譜特征變異法是使用最為廣泛的壹種遙感變化信息檢測方法，其原理是將兩時相遙感影像的相關波段進行融合、組合，如果地物類型發生了變化，該區域的光譜就會發生變異或突變，與周圍地物失去協調性，使得能通過肉眼識別出來。該方法容易受到研究區域地物光譜特征的影響，可能會丟失細小的變化圖斑，但是在壹般情況下總體效果良好 ( 馮德俊，2004) 。
圖 4 －8 HIS 融合法結果
把研究區震前 IKONOS 的全色波段影像和震後QuickBird 的多光譜影像運用光譜特征變異法中的 HIS進行了融合，結果見圖 4 －8。從圖中可以看出，沒有發生變化的區域光譜特征和分辨率都得到了加強 ( 空間分辨率變為 1m) ，其中水體、河流為藍色，山地為褐色，植被信息為綠色，白色區域明顯與四周的地物和背景信息光譜不協調，這就是發生變化的區域。
( 二) 主成分分析法
主成分分析法在遙感變化信息檢測中使用很多，壹般能夠取得很好的檢測效果，它能夠在壹定程度上消除影像內部各波段間的相關性，提高變化信息檢測的效率和精度。
圖 4 － 9 為 IKONOS 融合後影像與 QuickBird 融合後影像求差並取絕對值後進行主成分變換的第壹個主成分圖像。由主成分變換的特性知道，變換結果的第壹分量集中了影像絕大部分的變化信息，而其他分量則主要反映了波段之間的差異性。第壹分量就代表著變化信息。圖 4 －9 中白色區域為發生變化的區域。
基於主成分分析的遙感變化信息檢測方法仍然存在著壹些缺陷: ① 由於主成分變換所得到的各個分量往往失去了原有的物理意義，所以還需要參考其他數據來分析地物類型變化與否及其因果關系。② 主成分分析 ( PCA) 是基於二階統計的方法，只有在信號的統計分布滿足高斯分布的條件下，才能完全消除信號間的相關性，而對於非高斯信號則只能去除信號間的二階相關性 ( 鐘家強、王潤生，2006) 。在多時相遙感影像中，各種地類的光譜特性幾乎都不能滿足高斯分布，因此經過主成分變換後的各成分圖像間仍然存在高階相關性，而這些相關信息會直接影響到變化信息的檢測和提取。由於這個原因，在做主成分分析時，常常導致把這些高階相關信息轉變為噪聲，如圖 4 －9 所示，白色的 “斑點”遍布整個分量影像，又和變化信息摻雜在壹起 ( 變化的區域也為高亮的白色) ，這使得在提取真正變化信息的時候遇到困難，如何有效地消除多時相圖像間的高階相關信息，避免這些 “偽變化”的噪聲，對於變化信息的檢測和提取具有非常重要的意義。