一种用于遥感图像语义分割的多语义、多分区、双层交替联合更新马尔可夫随机场方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：A Multi-Semantic Multi-Partition Dual-Layer Alternating Joint Update Markov Random Field Method for Remote Sensing Image Semantic Segmentation

　　

摘要：

遥感图像的语义分割是遥感科学中的一个重要研究方向。随着遥感图像分辨率的提高，精确的语义分割面临着一个关键挑战，即如何在大型遥感图像中同时分割出小目标。尽管马尔可夫随机场（MRF）模型在空间建模方面表现出良好的潜力，但现有的多层方法通常存在信息传递单向性和特征交互不足的问题。因此，这些方法难以在强烈的全局统计约束下保留小尺度对象，导致边界变得模糊且信息传递不完整。为了解决这些问题，本文提出了一种多语义多分割双层交替联合更新马尔可夫随机场方法（MSMP-DLMRF）。我们构建了一个异构的双层框架：第一层是用于全局一致性的粗粒度高语义原始层，第二层是用于增加小目标区域比例的细粒度低语义分割层。关键在于，该方法设计了一种交替联合迭代更新机制，并建立了动态的双向反馈循环，以最大化跨层的空间-特征-语义关系的利用。所提出的方法已在纹理图像、GeoEye数据集、LoveDA数据集、高分图像数据集（GID）和ISPRS波茨坦数据集上进行了测试。广泛的实验结果表明，与选定的方法相比，MSMP-DLMRF在分割性能上具有显著优势，特别是在识别小尺度目标和保持复杂场景中边界完整性方面。