MATLAB与遥感影像处理：处理多时相影像做变化检测时，MATLAB 有没有不依赖第三方工具箱、专门为大数据集降低内存需求的非监督变化检测流程？

1. 问题的真实形态：内存账本与“装不下”的定义

讨论“大数据集”之前，需要先把“大”量化。遥感变化检测的输入通常是两期或多期配准后的影像，其内存压力来自三个乘数：像元数、波段数、数据类型位宽。以常见的 Landsat 8/9 OLI 场景为例，单景约 7600 × 7700 像元、7 个常用波段、16 位无符号整型，原始体量约 0.82 GB；而一景 Sentinel-2 L2A 在 10 m 分辨率下的 10980 × 10980 像元、10 个 10/20 m 波段，原始体量约 2.4 GB。若把研究区扩展到省域或流域尺度，拼接后达到 3 万 × 3 万像元并不罕见，此时单期原始数据约 10.8 GB（6 波段、16 位）。

真正的膨胀发生在运算阶段。MATLAB 的多数数值函数在 double 下工作，16 位转 double 是 4 倍膨胀；两期并行做差值或比值，再乘 2；若再构造 N × P 的特征矩阵（N 为像元数、P 为波段数）参与 PCA，还会额外产生一份连续内存副本。于是“10.8 GB 原始数据”很容易演化为“80 GB 以上的工作集”。

表 1　内存账本（按 16 位原始数据与 double 运算估算；工作集含差值图、特征矩阵与中间副本，为量级估计，非实测）。数据规模依据 Landsat 8/9 与 Sentinel-2 公开产品规格推算。

这里需要区分两个概念：容量不足（物理内存装不下）与带宽不足（能装下但反复读写导致效率崩塌）。前者靠分块解决，后者靠流式与缓存友好布局解决。许多工程实践只关注前者，结果在“勉强装下”的机器上跑出比预期慢一个数量级的流程。

本文评述：把“大数据”当作一个模糊形容词是工程失误的起点。变化检测的内存需求可被显式建模为 O(N·P·B) 与 O(N) 两类项——前者是特征矩阵，后者是距离图/掩膜。只要把 O(N·P) 项压缩为分块内的 O(n·P)，把 O(N) 项压缩为可流式写出的磁盘数组，纯 MATLAB 就能在 16 GB 内存的普通工作站上处理 3 万 × 3 万级别的场景。关键在于承认“近似”，并把近似误差纳入验证闭环。

2. 背景与方法谱系：非监督变化检测的三条技术路线

2.1 定义与任务边界

非监督变化检测指在不依赖标注样本的条件下，从多时相影像中识别发生变化的位置，并可选择性地对变化类型聚类。它与监督方法的根本差异在于：阈值与类别数由数据自身的统计结构决定，而非由训练集给出。这一特性使其在标注稀缺的场景（如应急响应、历史影像回溯）中不可替代，但也使其对分布假设与预处理质量高度敏感。

2.2 三条路线

路线一：代数差异类。包括影像差值、比值、变化向量分析（CVA，Change Vector Analysis）。CVA 将两期影像同一像元的光谱向量之差视为变化向量，以其欧氏范数或马氏范数作为变化强度。其优点是物理意义清晰、计算可完全流式化；缺点是对辐射归一化极度敏感。

路线二：变换分解类。包括主成分分析（PCA）、多元变化检测（MAD，Multivariate Alteration Detection）与迭代重加权 MAD（IR-MAD）。MAD 通过典型相关分析寻找两期影像间相关性最低的线性组合，理论上对仿射辐射差异具有不变性，这是它相对 CVA 的核心优势。

路线三：聚类分割类。包括 KMeans、高斯混合模型（GMM）、模糊 C 均值等，直接对差异特征或联合特征聚类。其内存代价主要来自迭代过程中的距离矩阵与中心更新。

三条路线并非互斥：工程上常见“CVA 生成差异特征 → 聚类划分变化强度等级 → 阈值二值化”的组合。本文的贯穿主线正是：无论哪条路线，其内存瓶颈都可归约为“全局统计量估计”与“逐像元判定”两类操作的分离。前者需要一遍或少数几遍全量扫描，后者可完全分块。把这两类操作解耦，就是纯原生栈可行性的根基。

笔者认为，MAD/IR-MAD 在文献中常被描述为“对辐射差异不变”，这一表述需要精确化：其不变性针对的是两期影像间的仿射变换（增益与偏移），而非非线性大气校正残差或地形阴影差异。工程上若未做相对辐射归一化，MAD 的优势会被显著削弱。这一边界条件在分块实现中同样成立，且分块会引入额外的块间统计不一致，需要专门处理。

3. 主线确立：分块—流式—增量的三级内存治理框架

本文提出的框架分三级，逐级降低峰值内存：

三级框架的组合关系可用一个简单的决策流程描述：先判断算法是否需要全局统计量；若不需要，直接分块；若需要，判断统计量是否可增量累积；若可，流式；若迭代，增量。绝大多数非监督变化检测算法都能落入这一决策树。

% 三级框架的伪代码骨架（纯原生函数）
info   = matfile('t1.mat');           % 不加载，仅索引
[H,W,P]= size(info,'A');              % 影像尺寸
tile   = 1024;                        % 瓦片边长（像元）
% ---- 第一遍：流式累积全局统计量 ----
acc = struct('n',0,'sum',zeros(1,P),'sumsq',zeros(P,P));
for r = 1:tile:H
  for c = 1:tile:W
    blk = readBlock(info,r,c,tile);   % 自定义读取，见第4章
    acc = accumulate(acc,blk);        % 增量更新，见第6章
  end
end
mu = acc.sum/acc.n;  C = acc.sumsq/acc.n - mu'*mu;
% ---- 第二遍：分块逐像元判定，结果流式写盘 ----
out = matfile('dist.mat','Writable',true);
for r = 1:tile:H
  for c = 1:tile:W
    d = cvaBlock(info,r,c,tile,mu,C); % 见第5章
    out.d(r:min(r+tile-1,H), c:min(c+tile-1,W)) = d;
  end
end

代码 1　三级框架骨架。注意 matfile 的索引读取与分块写回，是纯原生栈避免全量加载的关键。

本文评述：三级框架的代价是“两遍扫描”。对磁盘 I/O 而言，两遍全量读取的成本可能超过内存节省带来的收益，尤其在机械硬盘或网络存储上。因此工程上需要做 I/O 预算：若单遍扫描耗时 T，则两遍为 2T，而全量加载可能因交换（swap）导致 10T 以上。判断依据应是“工作集是否超过物理内存的 60%”，而非绝对大小。这一经验阈值来自对内存分配碎片与操作系统缓存的保守估计，属于工程经验而非严格定理。

4. 数据接入层：matfile、memmapfile 与 tall 的取舍

4.1 三种原生机制的能力边界

matfile 用于访问 MATLAB 的 .mat 文件（v7.3 格式基于 HDF5），支持按索引读写子数组，是分块流程最直接的选择。memmapfile 把二进制文件映射为内存视图，适合 GeoTIFF 转出的裸二进制（BSQ/BIL/BIP 布局），读取开销最低，但需要自行处理头信息与字节序。tall 数组提供惰性求值与自动分块，语法接近普通数组，但其支持的操作集合有限，且对自定义算法的嵌入不够灵活。

表 2　三种原生数据接入机制的对比。结论：算法自定义程度高时优先 memmapfile 或 matfile，tall 适合快速原型而非复杂流水线。

4.2 从 GeoTIFF 到可分块格式的预处理

MATLAB 原生读取 GeoTIFF 的能力有限（geotiffread 在较新版本中已被调整，且对大文件不友好）。工程上更稳妥的做法是：用 GDAL 命令行或 Python 一次性把研究区影像转为 BSQ 裸二进制 + 元数据文本，再由 memmapfile 接入。这一步虽然“借助了外部工具”，但属于数据准备而非算法依赖，不违背“不依赖第三方工具箱”的约束——后者针对的是 MATLAB 运行时的算法库。

% 用 memmapfile 读取 BSQ 布局的裸二进制
% 元数据：H=30000, W=30000, P=6, 数据类型 uint16
H = 30000; W = 30000; P = 6;
m = memmapfile('scene_t1.bsq', ...
      'Format', {'uint16', [H W], 'band'}, ...
      'Repeat', P);                 % 每个 band 一个结构体
% 读取第 3 波段、第 1000:2023 行、第 1:1024 列
blk = m.Data(3).band(1000:2023, 1:1024);

代码 2　memmapfile 的 BSQ 读取。注意 Repeat 参数让多波段共享同一映射，避免重复打开文件。

笔者认为，数据接入层的选择应服从“一次转换、多次实验”的原则。变化检测的参数调优往往需要反复运行，若每次都在格式转换上耗时，实验效率会被严重拖累。把原始影像一次性转为 BSQ + 元数据，后续所有分块实验都基于同一份裸数据，是最务实的工程折中。这一建议不涉及算法正确性，但对可复现性有实质影响。

5. 流式 CVA：距离图的逐块生成与阈值传播

5.1 原理与公式

CVA 的核心是把两期影像同一像元的光谱向量之差作为变化向量：

Δx(i,j) = x₂(i,j) − x₁(i,j)，　‖Δx‖₂ = √(Σ_p Δx_p²)

变化强度即该范数。若考虑波段间相关性，可用马氏距离 ‖Δx‖_Σ = √(Δx^T Σ⁻¹ Δx)，其中 Σ 为变化向量的协方差矩阵。马氏版本对波段量纲与相关性更稳健，但需要全局 Σ，正好落入第 6 章的增量估计范畴。

5.2 分块实现与内存账本

逐块计算距离图时，每块只需读入两期对应瓦片，计算差值向量与范数，写出结果。峰值内存为 2·n·P（两期瓦片）+ n（距离瓦片）。以 n = 1024² ≈ 1.05 M 像元、P = 6 计，double 下约 100 MB，完全可控。

function d = cvaBlock(m1, m2, r, c, tile, H, W, P)
  r2 = min(r+tile-1, H);  c2 = min(c+tile-1, W);
  d  = zeros(r2-r+1, c2-c+1);
  for p = 1:P
    a = double(m1.Data(p).band(r:r2, c:c2));
    b = double(m2.Data(p).band(r:r2, c:c2));
    d = d + (b - a).^2;          % 累加平方差
  end
  d = sqrt(d);                    % 欧氏范数
end

代码 3　分块 CVA。逐波段累加平方差，避免一次性构造 n×P 的差值矩阵，进一步压低峰值内存。

5.3 阈值传播：从全局分位数到分块判定

非监督 CVA 的阈值通常取距离图的某个高分位数（如 95%、97.5%）或基于统计假设（如卡方分布）。分位数是全局量，无法在单块内确定。解决路径有两条：其一，第一遍扫描时用流式直方图累积距离分布，第二遍按分位数阈值逐块二值化；其二，用两遍法先算均值与标准差，按 μ + kσ 设阈。前者更稳健，后者更快但受分布偏斜影响。

流式直方图的实现要点是：预先确定分箱范围与箱数，逐块把距离值映射到箱索引并累加计数。箱数取 4096 时，分位数误差约为值域的 1/4096，对 16 位距离图通常足够。若需更高精度，可在粗分位附近做二次细化。

本文评述：CVA 的“简单”常被误读为“粗糙”。实际上，CVA 的精度上限由辐射归一化质量决定，而非由距离度量决定。在未做相对辐射归一化的两期影像上，即使改用马氏距离，也无法消除系统性增益差异带来的伪变化。因此分块 CVA 流程中，辐射归一化应作为独立的前置步骤，且其统计量（如暗目标回归系数）同样可用流式方法估计。这一点在工程上比阈值选择更关键。

6. 增量统计：PCA/MAD 变换的协方差在线估计

6.1 为什么协方差是内存瓶颈

PCA 需要对特征矩阵 X（N × P）做中心化后求协方差 C = X^TX / (N−1)。若 X 全量驻留，内存为 N·P·8 字节；N = 9×10⁸、P = 6 时约 43 GB。MAD 更复杂，需要两期联合协方差与互协方差，涉及 2P × 2P 的矩阵，但同样可分解为若干 P × P 块的累积。

6.2 单遍增量公式

设已处理 n 个样本，均值为 μ_n，平方和矩阵为 S_n = Σ x_ix_i^T。新到一块含 m 个样本、块均值 μ_b、块平方和 S_b，则：

μ_n+m = (n·μ_n + m·μ_b)/(n+m)，　S_n+m = S_n + S_b

协方差由 C = S/(n) − μμ^T 得到。这一公式的数值稳定性在样本量极大时需注意：S 的元素量级可达 10¹⁵ 以上，与 μμ^T 相减时可能损失有效位。工程上可改用 Welford 型更新或对数据先做粗略中心化（减去首块均值）再累积。

function acc = accumulate(acc, blk)
  % blk: n x P 的 double 块（已转为列向量组）
  m  = size(blk,1);
  mb = mean(blk,1);
  Sb = blk' * blk;                 % P x P，块内平方和
  n  = acc.n + m;
  acc.mu = (acc.n*acc.mu + m*mb) / n;
  acc.S  = acc.S + Sb;
  acc.n  = n;
end
% 最终：C = acc.S/acc.n - acc.mu'*acc.mu

代码 4　增量协方差累积。峰值内存为块大小 n·P 加 P²，与总像元数无关。

6.3 增量估计与全局估计的等价性

从代数上看，上述公式是精确的：S 的累加与均值的加权平均都不引入近似。因此协方差矩阵本身与全量计算完全一致（在浮点误差范围内）。真正引入近似的是后续步骤：PCA 的特征向量对协方差的微小扰动敏感，尤其当特征值接近时。工程上应检查特征值谱的间隔，若相邻特征值比值接近 1，则主成分的物理含义不稳定，此时不宜强行解释。

笔者认为，“分块破坏统计一致性”是一个需要分情况讨论的命题。对于可加性统计量（和、平方和、直方图计数），分块累积是精确的；对于非线性统计量（中位数、众数、某些稳健估计），分块会引入偏差。因此判断标准应是“统计量是否可分解”，而非“是否分块”。把这一区分讲清楚，比笼统地宣称“分块无损”或“分块有损”都更有工程价值。

7. IR-MAD 的迭代加权与内存代价

7.1 算法结构

IR-MAD 在 MAD 的基础上引入迭代重加权：每轮计算各像元的“无变化概率”权重，用加权协方差重新求解典型变量，直至权重收敛。其内存代价来自两方面：一是每轮需要全量扫描计算权重，二是加权协方差需要累积。前者可流式，后者可增量，因此 IR-MAD 完全可以在纯原生栈下实现，代价是每轮一遍全量 I/O。

设迭代轮数为 T，则总 I/O 为 T 遍。工程上 T 通常取 10–20 轮即可收敛（依据文献中 IR-MAD 的收敛经验，具体轮数依数据而定）。对 3 万 × 3 万场景，若单遍读取耗时 3 分钟，则 15 轮约 45 分钟，属于可接受范围。

7.2 权重计算的数值细节

权重通常取卡方分布尾概率的函数，涉及不完全 Gamma 函数。MATLAB 原生提供 gammainc，可直接使用。需注意：当 MAD 变量维数较高时，卡方自由度等于变量数，尾概率在极端值处下溢为 0，导致权重全零。工程上应对概率设下限（如 1e−12），并对权重做归一化。

本文评述：IR-MAD 的迭代加权本质上是一种稳健估计，其目标是降低变化像元对“无变化背景”统计量的污染。这一思想与稳健统计中的 M 估计同源。理解这一点有助于设定停止准则：当权重分布的熵趋于稳定，或相邻两轮典型相关系数变化小于阈值（如 1e−4）时停止，比固定轮数更合理。固定轮数在数据分布差异大时可能欠迭代或过迭代。

8. 分块聚类与全局合并：KMeans 与 GMM 的近似一致性

8.1 分块 KMeans 的两阶段策略

直接对全量像元做 KMeans 需要 O(N·K) 的距离矩阵（K 为类数），N 极大时不可行。可行策略是“块内聚类 + 中心合并”：每块独立跑 KMeans 得到 K 个中心，把所有块的中心汇总（块数 × K 个点）再做一次 KMeans，得到全局中心；最后一遍扫描把每个像元分配到最近全局中心。这一策略的近似误差取决于块内类结构与全局类结构的差异，块越小误差越大。

另一种策略是“小样本代表性聚类”：从全量中均匀抽样（如 10 万像元）跑 KMeans 得中心，再全量分配。抽样策略的误差可用多次抽样的中心稳定性评估。两种策略都可用纯原生函数实现。

8.2 GMM 的增量 EM

GMM 的 EM 算法中，E 步计算每个像元对每个成分的责任度，M 步更新均值、协方差与混合权重。增量版本把 E 步的充分统计量（责任度加权和、加权平方和）逐块累积，M 步用累积量更新参数。这与第 6 章的协方差累积同构，只是多了责任度权重。峰值内存为 O(K·P²) 加块大小，与 N 无关。

表 3　分块聚类方案的内存与近似来源对比。n 为块像元数，B 为块数，n_s 为抽样数，K 为类数。

笔者认为，分块聚类的误差不应被简单归为“可接受”。变化检测中，类结构的偏差会直接影响变化/非变化的边界。一个实用的检验方法是：用两种不同块大小（如 512 与 2048）各跑一次，比较变化像元比例与空间格局的一致性；若差异超过 5%，说明块内类结构偏差已不可忽略，应改用抽样策略或增大块尺寸。这一检验成本低，却能有效暴露近似误差。

9. 阈值、精度与验证：非监督结果如何被检验

9.1 阈值选取的三类依据

非监督变化检测的阈值选取通常有三类依据：统计假设（如距离图服从卡方分布，取显著性水平 α 对应分位数）、经验分位数（取 95%–99% 分位）、双峰分离（对距离图直方图做双峰拟合，取谷底）。三类依据各有边界：统计假设依赖分布正确性，经验分位数依赖变化比例的先验，双峰分离依赖变化与未变化两类足够分离。

分块流程中，三类依据都可实现：统计假设只需自由度参数；经验分位数用流式直方图；双峰分离可在第一遍扫描后对直方图做拟合。关键在于把阈值计算与逐像元判定分离，前者全局一次，后者分块。

9.2 无标注条件下的精度评估

非监督结果缺乏真值，精度评估需借助间接手段：其一，与高分辨率影像或已有变化产品做交叉比对，计算一致性比例；其二，人工目视解译抽样（如分层随机抽取 300–500 个像元），计算用户精度与生产者精度；其三，敏感性分析，即改变阈值与块大小，观察结果稳定性。三者结合，可对结果可信度形成合理判断。

本文评述：非监督变化检测的“精度”一词常被误用。严格说，非监督方法输出的是变化强度图与二值掩膜，其“精度”只有在给定阈值与参考数据后才可定义。因此工程报告应同时给出阈值、参考数据来源与抽样方案，否则精度数字缺乏可比性。这一规范在分块流程中同样适用，且块大小应作为报告的一部分，因为它影响结果。

10. 关键数据与案例：模拟数据与公开数据集的对照

10.1 模拟数据的内存—耗时对照

为量化三级框架的收益，构造一组模拟数据：3 万 × 3 万像元、6 波段、16 位，两期。模拟数据由随机场生成，包含 8% 的注入变化区域（矩形与斑块），用于验证流程可运行性与内存峰值。测试在 32 GB 内存、NVMe 存储的工作站上进行，MATLAB 版本 R2023b。以下数据为模拟环境下的量级观测，非严格基准测试。

表 4　模拟数据下的内存—耗时对照（模拟数据，非实测基准；耗时受存储与 CPU 影响，仅供量级参考）。

需要强调，表 4 的耗时数字高度依赖存储带宽。在机械硬盘上，两遍扫描的 I/O 成本可能翻倍；而在 NVMe 上，计算成为主导。因此工程部署时应先做一次小规模 I/O 基准测试，再决定块大小与扫描遍数。

10.2 公开数据集的预处理细节

若要在公开数据集上复现，需注意预处理的一致性。以 Landsat 8/9 Collection 2 Level-2 产品为例，其表面反射率已做大气校正，但仍需：（1）按 QA 波段剔除云与云影；（2）两期影像做相对辐射归一化（如基于伪不变特征的线性回归）；（3）重采样到同一网格与分辨率；（4）转为 BSQ 裸二进制并记录元数据。Sentinel-2 L2A 产品还需注意 10 m/20 m/60 m 波段的分离与重采样策略，不同重采样方法会引入不同的空间相关性，影响变化检测的边界精度。

笔者认为，公开数据集的价值不仅在于可比性，更在于其预处理链条的透明性。许多论文报告的变化检测精度差异，实际来自预处理差异而非算法差异。因此在复现时，应把预处理步骤作为方法的一部分完整记录，尤其是辐射归一化的具体实现。这一点在非监督方法中尤为关键，因为非监督方法对辐射差异的敏感性高于监督方法。

11. 对比与局限：纯原生栈 vs 工具箱 vs 外部引擎

11.1 三条实现路径的定位

纯原生栈的优势是零依赖、可审计、易嵌入现有 MATLAB 工程；劣势是需自行处理 I/O、分块、增量统计等底层细节，开发成本较高。第三方工具箱（如遥感专用工具箱）封装了读写与常用算法，开发快，但内存行为不透明，遇到大数据集时可能仍受限于其内部实现。外部引擎（如 Python + GDAL + Dask）在大数据生态上更成熟，但引入跨语言调用与部署复杂度。

三者的选择不应是意识形态之争，而应基于团队技能栈、部署环境与可维护性。若团队以 MATLAB 为主、数据规模在单机可承受范围、且需要算法透明可审计，纯原生栈是合理选择。

11.2 局限的诚实清单

纯原生栈路线的局限包括：（1）GeoTIFF 等格式的原生支持有限，需外部预处理；（2）并行化能力弱于专用大数据框架，多核利用需手动设计 parfor 与块划分；（3）增量统计的数值稳定性需额外关注；（4）分块聚类的近似误差需通过实验评估，缺乏理论保证。这些局限不否定路线可行性，但要求在工程中显式管理。

本文评述：技术选型中最常见的错误是把“工具能力”等同于“问题解决”。纯原生栈能解决内存问题，但不解决辐射归一化、几何配准、云掩膜等前置问题；反过来，工具箱能简化读写，但不自动带来内存效率。因此讨论应回到问题分解：哪些子问题由工具解决，哪些必须由方法解决。本文的主线正是把“内存”这一子问题显式化、可计算化。

12. 结论与展望：从内存治理到可解释近似

回到最初的问题：MATLAB 有没有不依赖第三方工具箱、专门为大数据集降低内存需求的非监督变化检测流程？答案是肯定的，但需要把“流程”理解为一条显式管理近似的工程流水线，而非一个现成函数。其核心是三级框架：分块降低峰值内存，流式处理全局统计量，增量处理迭代算法。三者组合可覆盖 CVA、PCA/MAD、IR-MAD、KMeans、GMM 等主流非监督方法。

展望三个方向：其一，近似误差的可解释化，即把块大小、抽样率、迭代轮数与结果不确定性的关系量化，形成工程指南；其二，与新型传感器的适配，如高光谱与 SAR 数据的多时相处理，其内存压力更大，分块策略需针对波段维度重新设计；其三，与轻量深度模型的结合，用小型网络替代部分统计步骤，但保持非监督特性与内存可控。

最后需要强调，内存治理不是目的，而是让方法在真实数据规模上可运行、可验证的手段。任何分块与增量策略都应接受精度检验，任何精度数字都应附带其计算条件。这一原则比任何具体实现都更持久。

13. 参考文献与拓展资源

13.1 主要参考文献（8 篇）

1. Bruzzone L, Prieto D F. Automatic analysis of the difference image for unsupervised change detection. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(3): 1171–1182.
2. Nielsen A A, Conradsen K, Simpson J J. Multivariate alteration detection (MAD) and MAF postprocessing in multispectral, bitemporal image data: New approaches to change detection studies. Remote Sensing of Environment, 1998, 64(1): 1–19.
3. Canty M J. Image analysis, classification and change detection in remote sensing: with algorithms for ENVI/IDL and Python. 4th ed. CRC Press, 2019.
4. Zhu Z, Woodcock C E. Continuous change detection and classification of land cover using all available Landsat data. Remote Sensing of Environment, 2014, 144: 152–171.
5. Welford B P. Note on a method for calculating corrected sums of squares and products. Technometrics, 1962, 4(3): 419–420.
6. Gómez C, White J C, Wulder M A. Optical remotely sensed time series data for land cover classification: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 116: 55–72.
7. Chen G, Hay G J, Carvalho L M T, et al. Object-based change detection. International Journal of Remote Sensing, 2012, 33(14): 4434–4457.
8. Lv Z, Liu T, Benediktsson J A, et al. A review of change detection for remote sensing imagery. IEEE Geoscience and Remote Sensing Magazine, 2023, 11(2): 60–85.

13.2 拓展资源（教程与视频，点击在新窗口打开）

• MATLAB 官方文档：大文件与内存管理——matfile、memmapfile、tall 的官方说明。
• MATLAB 官方文档：块处理（blockproc）——分块处理的基本范式。
• GDAL gdal_translate 文档——GeoTIFF 转 BSQ 裸二进制的标准工具。
• 🔒 复制本站文章内容需登录并达到 L3。当前：未登录