双层上下文MRF模型：高空间分辨率遥感图像监督分类新方法

"这篇论文提出了一种用于高空间分辨率遥感影像监督分类的双层上下文马尔可夫随机场（MRF）模型，即BLC-MRF，旨在解决现有MRF方法在处理像素级与超像素级上下文信息时的不足。BLC-MRF模型结合了像素和超像素级别的依赖关系，以充分利用光谱空间上下文信息并保持图像中的对象边界清晰。在算法中，首先应用像素级MRF，然后将其结果作为超像素级MRF的输入。在超像素级别，通过超像素概率估计方法和光谱直方图距离构建一元和成对势能项。通过α-展开算法求解上下文MRF模型，得出最终的分类图。实验结果显示，BLC-MRF在三个HSR数据集上对比其他最新方法具有更好的分类性能。" 这篇被接受发表的论文聚焦于遥感图像处理领域，特别是针对高空间分辨率（HSR）遥感影像的监督分类问题。传统的基于MRF的方法在处理HSR图像时，通常过于关注像素级别的上下文，而忽略了超像素级别的信息，这可能导致分类效果不佳，尤其是对物体边界的保留。为解决这一问题，作者提出了BLC-MRF模型，这是一个双层结构的模型，它同时考虑了像素级和超像素级的上下文信息。 在BLC-MRF模型中，首先执行像素级的MRF模型，利用像素之间的相邻关系进行初步分类。接着，这个过程的输出作为超像素级MRF的输入，进一步细化分类结果。在超像素层面上，通过计算超像素的概率估计和光谱直方图距离，构建模型的一元势和成对势，这有助于捕捉更大范围的上下文信息，有助于识别复杂形状的物体和保持图像的边界完整性。 α-展开算法用于求解这个上下文MRF模型，它是一种有效优化MRF能量函数的常用方法，能够得到最优的分类状态。通过这种方法，BLC-MRF模型能够在使用较少训练样本的情况下，仍然能够获得令人满意的分类结果。 实验部分，作者在三个不同的HSR数据集上对比了BLC-MRF与其他最新方法的性能。结果显示，BLC-MRF在分类精度上表现出色，证明了其在HSR图像分类任务中的优越性。这种方法不仅提高了分类的准确性，还有效地保留了图像的结构信息，这对于理解和分析遥感图像至关重要。