BLC-MRF:双层上下文MRF提升高空间分辨率遥感影像分类性能

本文主要探讨了在高空间分辨率遥感影像监督分类中，如何利用双层上下文马尔可夫随机场（BLC-MRF）模型提升分类效果。传统的基于马尔可夫随机场（MRF）方法在处理高空间分辨率图像时，往往过于侧重于像素级别的上下文信息，而忽视了超像素级别的全局联系。超像素级别的信息对于保持图像对象边界和整体结构的完整性至关重要。 BLC-MRF创新之处在于它将像素和超像素层次的依赖关系集成到MRF模型中，旨在增强对光谱空间上下文的利用。首先，模型从像素层面进行处理，通过像素级MRF捕捉局部特征和关系。接着，这个结果被作为输入传递到超像素级MRF中，这里采用超像素概率估计方法来评估每个超像素内的类别可能性，同时利用光谱直方图距离来构建一元和成对电位项，以便捕捉更大尺度的空间结构信息。 在超像素级MRF中，通过考虑像素间的空间关系和光谱特征的相似性，模型能够更好地理解图像的整体纹理和形状。这样既能保持对象边缘的清晰，又能利用超像素的上下文信息来改善分类决策的准确性。此外，BLC-MRF的优势还体现在其相对较少的训练需求，即使在有限的数据样本下也能产生令人满意的分类结果。 实验结果显示，BLC-MRF在三个高空间分辨率遥感数据集上的表现优于当前的几种主流方法，证明了其在复杂场景下对图像分类任务的有效性和鲁棒性。综合来看，BLC-MRF模型的引入为高空间分辨率遥感图像的监督分类提供了有力工具，提升了分类的精度和效率，为后续的遥感数据分析和应用打开了新的可能。