双层上下文MRF模型：高空间分辨率遥感影像监督分类新方法

"用于高空间分辨率遥感影像监督分类的双层上下文MRF模型" 在高空间分辨率遥感影像处理领域，监督分类是一种常用的技术，用于识别和区分图像中的不同地物类型。传统的马尔可夫随机场（MRF）模型在图像分类中发挥了重要作用，但其主要关注像素级别的上下文信息，往往忽视了超像素级别的信息。这可能导致分类结果的精度下降，尤其是在处理具有复杂边界和结构的HSR图像时。 本文提出的双层上下文MRF（BLC-MRF）模型旨在解决这一问题。BLC-MRF框架结合了像素级和超像素级的上下文信息，以增强分类性能并保持HSR图像中的对象边界清晰。首先，通过执行像素级MRF模型，捕捉像素间的局部关系，然后将这些信息作为输入传递到超像素级MRF阶段。在超像素级别，模型利用超像素概率估计方法和光谱直方图距离来构建一元和成对的势能项，进一步强化了上下文信息的利用。 超像素技术在BLC-MRF中扮演了关键角色，它能够将图像分割成更大型的、连通的区域，从而更好地捕获区域内部的一致性和区域间的差异。这种分层处理方式允许模型在不同尺度上考虑信息，提高了分类的准确性。同时，BLC-MRF算法使用α-展开算法求解，这是一种优化方法，可以有效地找到分类图的最优解。 通过在三个不同的HSR数据集上进行实验，BLC-MRF方法展示了优于其他最新方法的分类性能。这些结果验证了双层上下文模型在处理HSR图像时的优势，尤其是在处理小目标和复杂边界的情况下。此外，BLC-MRF的一个显著优点是只需要少量的训练样本就能获得令人满意的结果，这对于数据获取有限或成本高昂的遥感应用来说尤其重要。 BLC-MRF模型为HSR图像的监督分类提供了一个新的视角，强调了超像素信息的重要性，提升了分类的准确性和鲁棒性。这种方法对于未来的遥感图像分析和应用，如土地覆盖分类、城市规划和环境监测等，都具有重要的参考价值。