基于马尔可夫随机场和卷积神经网络的高光谱图像分类

本文提出了一种新的监督分类算法，用于遥感高光谱图像（HSI），该算法在一个统一的贝叶斯框架中整合了光谱和空间信息。首先，我们从贝叶斯视角对高光谱图像分类问题进行了建模。然后，采用卷积神经网络（CNN）通过基于块的训练策略学习后验类别分布，以更好地利用空间信息。接下来，通过在标签上施加空间平滑先验进一步考虑空间信息。最后，我们使用随机梯度下降（SGD）迭代更新CNN参数，并使用基于alpha扩张最小割算法更新所有像素向量的类别标签。与现有的其他先进方法相比，所提出的分类方法在多个实验设置下，在一个合成数据集和两个基准高光谱图像数据集上均表现出更好的性能。