基于条件随机场的多时相遥感影像分类

摘要

本论文主要研究多时相CRF模型在遥感影像分类领域中的应用。从常用的图像分类方法出发引入条件随机模型。然后提出了一种多时相CRF模型，主要对时间势能的表示进行了改进。最后针对区域信息的表示，结合之前的工作，提出了多时相高阶CRF模型。本文主要的研究工作和研究成果如下: 1、总结了条件随机场概率模型及其在图像分类中的概率框架 本文首先给出了有向概率图模型和无向概率图模型的定义，总结了这两种模型的优点和局限性。说明了CRF模型的完整定义，介绍了不同的学习算法和推断算法及其使用场合。此外，还推导出了CRF模型在遥感影像分类领域的概率框架，给出了一阶势能、二阶势能和高阶势能的定义及常用的表示方法，通过使用不同的势能来描述图像中的不同信息和约束，可以有效的利用图像中的各种信息来进行图像分类。 2、提出了一种基于CRF模型的多时相遥感影像分类方法 为了提高遥感影像分类的精度，充分利用遥感影像中的时间上下文信息，本文提出了一种基于CRF模型的多时相遥感影像分类方法。该多时相CRF模型使用一阶势能来表示图像中像素点自身的类别归属信息，使用空间势能和时间势能来分别表示图像中的空间上下文信息和时间上下文信息。特别的，本文对时间势能的表达方式进行了改进，且通过机器学习算法来学习更加适合的时间势能。从实验结果来看，本文提出的算法可以获得更好的分类结果，并且有很好的自适应性。该算法充分利用时间上下文信息，提高了图像分类精度。同时算法具有较高的鲁棒性，在不同的参数情况下，虽然分类结果发生了变化，但是整体变化较小，算法稳定性较高。

目录

声明

1绪论

1．1研究背景和意义

1．2国内外研究现状

1．2．1基于像素的遥感影像分类方法

1．2．2面向对象的遥感影像分类方法

1．2．3基于随机场的遥感影像分类方法

1．3论文背景与研究意义

1．4本文章节安排

2条件随机场概论及其在图像分类中的应用

2．1引言

2．2概率有向图模型

2．2．1有向图模型介绍

2．2．2隐马尔可夫场

2．2．3最大熵马尔可夫模型

2．3概率无向图模型

2．4条件随机场模型

2．4．1条件随机场模型的定义

2．4．2条件随机场模型的学习算法

2．4．3条件随机场模型的推断算法

2．5条件随机场模型在图像分类中的概率框架

2．6小结

3多时相CRF模型及其在遥感影像分类中的应用

3．1引言

3．2多时相CRF模型

3．3基于多时相CRF模型的遥感影像分类方法

3．3．1一阶势能

3．3．2空间势能

3．3．3时间势能

3．4训练与推断

3．4．1特征提取方法

3．4．2多时相CRF模型的训练方法

3．4．3多时相CRF模型的推断方法

3．5实验结果与分析

3．5．1实验评价标准

3．5．2实验数据和实验环境

3．5．3实验3．1：农村区域的图像

3．5．4实验3．2：校园区域的图像

3．5．5参数敏感性分析

3．6小结

4多时相高阶CRF模型及其在遥感影像分类中的应用

4．1引言

4．2超像素算法

4．3多时相高阶CRF模型

4．4训练与推断

4．4．2多时相高阶CRF模型的推断方法

4．5实验结果与分析

4．5．1实验数据和实验环境

4．5．2实验4．1：农村地区的图像

4．5．3实验4．2：城郊区域的图像

4．5．4参数敏感性分析

4．6小结

5结束语

5．1本文工作总结

5．2未来工作展望

致谢

参考文献

附录