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号法的概述和比较 我们关于物理世界图像的先验知识的其中一个基本点是它们是空间平滑的，在这个意义上，相邻像素更可能属于相同的对象（类），而不是属于不同的对象（类）。随着传感器分辨率的不断提高，平滑性假设变得越来越重要。一方面由于类内辐射变化的增加，另一方面由于遥感应用于更多的异构区域（例如，城市），其中在这些异构区域，阴影和遮蔽的影响，材料的多样性等使测量数据退化，先验知识发挥了更大的作用。本文给出了一个系统的图像分类方法的概述，在这些方法中，在标号上施加了平滑先验。对其他领域的图像处理中发展起来的局部滤波型方法和全局随机场模型进行了评述，并提出了两种新方法。紧接着是所提出方法的详细对比实验和分析，使用的是两组不同城区且已知地面真值的航空数据集。这篇文章的一个主要信息：当分类高空间分辨率数据时，平滑性大大提高了结果的精度——在我们的实验中高达33%。另一项发现是，全局随机场模型比局部滤波方法要好，并应更广泛地应用于遥感中。最后，评价证实当最有效时，已经过平滑，这表明有必要包含更多更复杂的先验信息到分类过程中。 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，他们的联合似然性不能分解成每个像素的决策。遗憾的是，在这样的随机场中，精确推断—即根据平滑性（或相似）约束寻找全局最可能的标号配置—是难以计算的（这是大于2个类别的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性。最著名的例子是图割，它广泛应用于计算机视觉和图像处理；消息传递算法在信号处理和模式识别的各分支机构中使用。在随机场中用于近似推理的另一种流行算法是半全局标号法。这种方法至今为止专门用于计算机视觉和摄影测量的图像匹配，称为半全局匹配（SGM）。在本文中，这个方法首次应用于分类问题。 第二个策略是为更大邻域的依赖关系建模。在这种高阶的随机场中，上述的全局推理算法很快达到其极限。对于实际的图像大小，就要依靠仅基于邻近值来局部平滑每个像素的似然度。这样一个基于像素邻域值组合的推理方案相当于（通常是非线性的）空间滤波。 合理的备选方法还包括广泛使用的众数滤波（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.基于像素的分类 无论最后推断怎样执行，首先必须估计每个像素属于每一个可能类别的概率（在随机场中，术语“一元势能”或简称“一元”，见