基于关联分层条件随机场的高分辨率影像分类方法研究

It is a difficulty to automatically classify and interpret remotely sensed imagery with very high spatial resoultion(VHR) ensuring high precision and automatication, so as to prevent an extensive application of remotely sensed imagery. To solve the difficulity, it is a key to integrate spatial information from different scales,and semantic information from a multiscale image analysis as well as scene prior etc..Conditional random fields(CRFs) have the advantages of interacting over a long spatial range each other and conveniently modelling posteri-probability, More important,hierarchical CRFs is capable of expressing multi-scale objects feature and semanic information better.For the difficulties in VHR remote sensing image classification esp.in urban city,the project will develop a classification method with "segments-objects-scene" associative process layer by layer and the advantages over CRFs theory. The innovative studies are: (1)For the problem of how to integrate mutl-scale spatial,semanic information and, we will develop an associative hierarchical CRFs for VHR remote sensing image classification from the view of multi-layer scene analysis. (2)To alleviate the misclassification esp.,betweeen buildings and roads without the help of elevation data,latent scene knowledge is mined and used to extend traditional interaction potential in CRFs,which depends on both the difference of labels and their separate values. In addition,we explore to develop the inference method for the associative hierarchical CRFs model using graph cut based on decision by combining semantic analysis of scene.The goal is to develop an object-oriented classification method from the view of image understanding and congnition for VHR image using associative hierarchical CRFs framework.Our work also are a basis of image understanding and cognition model.

甚高空间分辨率(VHR)遥感影像高精度自动分类这一技术难题制约了其应用水平，而融合多尺度的目标空间及语义信息、场景先验是有效解决这一难题的关键技术。条件随机场(CRFs)在表达远距离信息交互及概率建模方面有其优势,而分层CRFs还能表达目标多层次结构及语义信息。针对城区VHR 影像分类中存在的难题,本项目利用CRFs优势，拟开展基于"对象-目标-场景"逐层关联的分类方法研究。创新性研究:(1)基于分层影像解析的思想，拟建立一个逐层关联的分层CRFs分类模型。该分类器可集成目标空间上下文和多重语义关系，以缓解分割错误对分类的不利影响;(2)通过挖掘潜在的场景知识，拟研究考虑相邻对象类标签属性的交互势函数定义方法;此外,针对模型推理问题,拟基于语义分析的思想实现对重参数化的图割推理方法的优化。最终目标是基于关联分层CRFs模型框架，寻求一种基于影像理解和认知的VHR影像分类方法。

针对传统面向对象高分影像分类方法存在的“目标分割错误对分类精度有较大的影响，导致分类精度不高”的问题，开展考虑分割质量的分层关联条件随机场（AHCRF）模型究。但AHCRF源于自然图像标记问题，需探索其在大数据量的遥感图像分类中的适用性。针对上述两方面问题，开展了AHCRF模型框架在高分辨率遥感影像分类中的适用性研究；进而开展了面向高分影像分类的考虑分割质量的AHCRF模型定义研究。.研究表明：原始AHCRF模型并不能直接适用于遥感图像，因此，在特征提取、多尺度影像分割方式、AHCRF模型定义、算法优化等方面进行了研究。首先，进行了多光谱特征、高程等特征的融入算法实验。在影像多尺度分割方面，研究结果表明：采用有超像素交叉和重叠的多尺度分割方式更有利于分类精度的提高。在模型定义方面，提出了考虑超像素分割质量的AHCRF模型，代替原模型中的常数调节因子。在针对Quickbird卫星影像、航空影像数据等高分影像分类测试中，本文提出的多特征融合的AHCRF模型可达到80%以上的分类精度。而考虑影像分割质量的关联分层CRF模型分类精度可达到81.59%。在大数据量遥感图像算法方面，经过对AHCRF模型结构及算法的优化，实现了大数据量高分遥感影像的正常分类。.本项目发表文章共13篇，其中EI期刊文章1篇，核心期刊文章9篇，会议文章3篇，2篇第一作者EI/SCI文章正在审稿中。.核心研究成果作为“遥感地质矿产勘查技术与应用”项目的一部分，2016年获得陕西省科学技术奖（排名2）。形成的基于AHCRF模型的C++软件集成了影像输入输出、影像分割、像素及超像素特征提取、优化、CRF模型参数训练、模型求解、分类精度评价功能模块。.此研究对于解决基于语义的遥感影像分类及信息提取中的难题具有重要的科学意义，它对于解决面向对象这类分类方法中存在的分割质量对分类精度的不利影响这一难题提出了解决方案。研发的AHCRF软件可以处理遥感数据这类大数据量图像。先后参加2次国际和3次国内会议，部分进行大会文章交流。