用于土地覆盖分类的光滑标记方法的概述和比较.docVIP

用于土地覆盖分类的平滑标法异构退化 关键词：计算机视觉 影像分析 机器学习 遥感 将影像内容分类成语义上定义好的类别（像素标号）是具有成像传感器的遥感领域的一个基本问题。由于感兴趣的类别是问题特定的，因此在大多数情况下，由用户定义，普遍的做法是监督分类。一般过程如下：用户为每个类别标记样本区域，通常作为训练数据；训练数据中的每个像素（或者小的基元）表示为一个特征矢量，其中这个特征矢量是由原始强度通过一个固定的方法计算得到。特征向量和标号，作为输入值输入到一些统计学习框架中，得到一个函数，这个函数将特征向量映射为属于不同类别的概率（或更一般的分数）；最后，如果很难决定，则选择具有最高概率的类别。 所描述方法的一个主要概念限制在于每个像素（或者基元）被视为独立于所有其他的像素（或者基元），虽然相邻像素的标号之间明显地存在相关性。这个问题在那些同一类区域表现出强烈的光谱变化的图像中会变得更糟，例如城区的高分辨率图像。在这样的情况下，独立的分类仍然只能达到有限的精度，考虑邻近像素之间的依赖关系显得尤其重要。 在许多情况下，最基本的，也是最重要的依赖关系在于这样的观察：邻近像素往往具有相同的标号（平滑性假设），当他们被观察到辐射强度相似时（对比敏感的平滑度），这种倾向性更强。进行标号平滑的必要性随着传感器分辨率的不断提高日益增加。随着地面采样间隔（GSD）的不断减小，更小的细节变得可见，一个类中的光谱变化增加。 严格地说，在平滑性假设下，各个像素不是独立的随机变量，而是形成一个随机场，因此，他们的联合似然遗憾的是，NP难题）。虽然在遥感领域人们早已认识到这个问题，但有关如何减轻这个问题的系统工作却没有。 在相关的领域中，如医疗成像和图像复原，有两个主要策略。第一个是只为相邻对之间的短程相互作用建模（其中在像素格网中，邻域通常定义为4-或8-邻域，或者在不规则基元中的Voronoi邻域）。 对于这样的模型，存在有效的推理算法来近似最大化联合后验似然消息传递算法达到其极限对于的图像大小众数滤波majority filter）；每个类别概率的高斯平滑各向同性地传播信息到其邻域；双边滤波，以便类概率的空间分布也考虑在内。此外，在本文中提出了一种边缘感知滤波器，这是考虑了邻域的辐射相似性的双边滤波器的一个变种。 本文的目标是对所提到的基于平滑性假设的逐像素图像分类算法的系统评价和比较。结果表明任何类型的平滑先验相对于地面真值在分类精度方面都是有益的，最好的结果由图割得到，其次是半全局标号法。效果显著——在我们的实验中，分类精度（κ）高达33％。 1 方法 本节简要回顾在随后的评价中所采用的方法和算法。有关详细信息，请参考原来的出版物和教科书，如相应的小节中所引用。 A.基于像素分类ML）。 随机森林（RFs）作为评价中的主要分类器，是当前最先进的判别方法的一个例子。随机森林，即随机决策树的组合，是有效的评估，其良好的分类性能一直被遥感以及一般的图像处理中的许多研究所证实。一个随机森林是许多决策树的组合，为了独立树去相关，随机选择训练数据的子集和/或在单个节点决策函数的选择上采用一些随机化。每棵树对观测到的数据在可能的类别标号上产生一个条件概率分布，这些分布然后取所有树的平均值，以归一化分类和防止过度拟合。RFs有非常好生预备知识的样本。像素的数量由n表示，各个像素的位置是一个2-D向量，用小写黑体字母x表示。分类的目的是给每个图像像素赋予一个个可能的类别标号之一,获得一个新的单通道图像,专题图。寻找概率最高的专题地图相当于分别搜索最大化概率，最大限度地减少其负对数似然或“能量”的标号。 （1） 能量由两部分组成：一个“数据项”，它描述在给定的观测数据中的每个像素是某一标号的可能性多大，且当标记符合观测数据更好时减少。一个“光滑性项”，它描述某些标号配置的可能性，且当标号更平滑时减少。 如果没有平滑先验，第二项将消失，分类分解成每个像素可以单独进行的决策，分别为，。为了符号的方便，特定像素和类别标号的一元势能，缩写为。 如果包括了平滑性，在不同的位置x处的标号不再是独立的，而是形成一个随机场。一个给定像素的能量不仅取决于它的数据I（x），而且依赖于在其附近或“子团”的其他像素的标号。由于不同的子团通过共同的像素互相影响，它们再也不能被独立处理。 在一般情况下，由于没有分解成更小的问题，找到全局范围内使E（I,C）最小的标号是棘手的，因此，至少在概念上，要检查所有的ln个可能的标号。 对于只有成对子团的随机场（称为一阶随机域），存在有效的近似方法找到好的极小值，见第II节。这样的随机场通常用图表示：每个像素对应于具有联合一元势能的一个节点，每个子团对应于具有联合成对势能，连接相应节点对的边缘。 具有较大子团