基于多级空间上下文LR—CRFs模型高分辨率影像分类.doc

基于多级空间上下文LR—CRFs模型高分辨率影像分类 　　摘 要：充分表达和利用目标空间上下文及语义信息是提高高空间分辨率影像分类精度的关键技术，而条件随机场（CRFs）在目标空间上下文建模以及分类预测方面有其独特优势。但是，基于单一尺度分析的CRFs模型存在不能反映目标多层次空间结构及语义关系的问题，因此针对城区高分辨率影像土地利用/覆盖分类问题，在面向对象分类框架下，提出了一种多级空间上下文LRCRFs模型。该模型定义如下：首先，将影像进行对象层、目标层及场景层的分层表达及分层特征提取，并进行“对象目标场景”的逐层关联；其次，采用逻辑回归（LR）分类器定义CRFs模型的关联势函数，利用分层特征加权的Potts函数定义交互势函数；采用最大积消息传递算法对该模型进行近似推理。利用IKONOS多光谱影像及大比例尺真彩色航空影像进行试验的结果表明：多级空间上下文LRCRFs模型分类精度高于单一尺度的基于像素层或对象层分割的LRCRFs模型，其精度平均分别提高了4.63%和2.22%；该方法在一定意义上也缓解了面向对象分类方法中分类结果对分割尺度的依赖程度。 　　关键词：条件随机场；多级空间上下文；逻辑回归；分层图模型；语义信息；高分辨率遥感；影像分类 　　中图分类号：P237；TP75 文献标志码：A 　　0 引 言 　　高分辨率遥感影像的信息提取通常采用面向对象的分析方法。而目前面向对象的影像分类大多基于单一尺度，它面临的主要问题是最佳分割尺度参数难以自动确定[1]，因此，融合多个尺度的目标特征并进行逐层特征关联，可以反映目标的多层次空间结构及语义关系，在一定程度上也可缓解分类对分割尺度的依赖程度。如何设计这样一个分类器呢？条件随机场（Conditional Random Fields，CRFs）是Lafferty于2001年针对自然语言处理问题提出的一种判别式概率图模型框架。在图像处理中，CRFs在表达目标空间上下文关系以及直接后验概率建模方面有其独特优势。凭借这些优势，CRFs被广泛应用到计算机视觉领域的自然图像目标类分割、视频目标跟踪等。 　　CRFs是一个模型框架，所处理的数据或应用领域不同以及所采用的影像分析方法不同，则模型的定义及求解??法也会不相同。因此，近十年来，国内外学者开展了大量相关研究。在计算机视觉领域，Shotton等针对自然图像目标类分割、视频图像目标跟踪等问题，开展了基于单一尺度超像素的CRFs模型研究[29]。这类模型求解速度快，但其分类结果受影像分割质量的影响很大；更重要的是，它不能很好地描述目标多层次的空间结构及语义信息。针对这一问题，国内外学者开展了基于多尺度分析的二阶/高阶CRFs模型研究。其中，Lim等针对三维激光点云数据的分类问题，通过融合像素、区域以及全局等多个尺度的目标信息，建立了一个多尺度的二阶CRFs模型[10]。近几年来，基于影像多尺度分析的CRFs模型研究主要集中在高阶CRFs模型上，如鲁棒的Pn Potts模型[11]、关联分层CRFs模型[12]；该类模型能够很好地表达目标多层次的空间结构甚至高级语义信息。但是，与二阶CRFs模型相比，高阶CRFs模型结构复杂，模型求解更是一个难题。 　　近年来，国内外学者将CRFs理论推广至遥感领域[1319]。他们针对单/多时相的不同传感器影像（如多光谱影像、高光谱影像、SAR影像、三维激光点云数据）的目标提取或土地利用/覆盖分类问题，围绕如何有效表达和利用目标空间上下文及语义信息这一关键技术，提出了多种CRFs模型势函数的定义及模型求解方法。这些研究对CRFs模型向遥感领域的推广应用做出了重要贡献，但多集中在基于单一分割尺度的二阶CRFs模型定义研究上，不能很好地描述目标多层次的空间结构及语义信息。在此背景下，笔者从模型结构的复杂性、模型求解的效率两方面考虑，提出了一种基于多级空间上下文的二阶CRFs模型进行城区高分辨率影像土地利用/覆盖分类的方法。 　　1 多级空间上下文LRCRFs模型 　　1.1 影像分层表示及概率图模型的建立 　　概率图模型的建立是CRFs模型定义及求解的前提和基础，它直接影响着CRFs模型推理的质量和速度，而影像分析是建立概率图模型的基础。李德仁等从影像理解的角度将高分辨率影像分为像素层、对象层、目标层、场景层4个层次，提出基于逐层关联的思想建立影像理解和认知模型[1]。笔者将这一思想引入到CRFs框架下，表达长距离目标空间信息交互以及语义关系。但是，在利用高或甚高分辨率影像进行土地利用/覆盖分类时，目标细节有时会给影像分析及分类过程造成干扰，因此以细尺度的超像素为分析单元可缓解上述干扰的影响；更重要的是，采用以对象层为最底层的分层图结构，使得CRFs模型求解速度明显加快；另一方面，对