刘金沧，王成波，常原飞

(1. 广东省国土资源测绘院，广东 广州 510500； 2. 中国科学院遥感与数字地球研究所，北京 100101)

随着遥感技术的发展，高分辨率遥感影像逐渐成为监测森林病虫灾害的主要数据源，通过对影像上感病导致变色的树木特征描述及分类识别，可实现变色松树提取，进而获取树木染病、枯死等信息。近年来，深度学习发展迅速，在遥感影像分类与识别中得到应用，深度学习的主流算法模型有受限波尔兹曼机、深度信念网络、卷积神经网络及自动编码器4种[1]。但深度神经网络模型待训练参数极多，往往需要大量样本数据。对于尚未积累足够样本数据的应用领域，采用深度学习方法存在一定的困难。在遥感影像目标识别、图像分割或分类工作中，一般分类器通过与图像特征结合从而达到融合上下文信息的目的，模型本身不考虑空间信息的问题。概率图模型的引入，实现了在模型中加入上下文信息的概念，考虑了像素空间相关性。条件随机场模型(conditional random field，CRF)[2]为后验概率建模，能够同时考虑标记和观测数据的上下文信息，可用于各种具有不同统计特性的图像的分类，具有普遍适用性，对图像分类效果较好，已经成功用于序列数据标记、自然图像分割[3]、医学影像处理[4]等。目前，国内外学者也尝试将CRF引入遥感图像处理，展开了对高分辨率、多光谱、高光谱、SAR影像中CRF的使用和改进[5-8]，旨在遥感图像处理过程中更为正确和有效地发挥空间信息作用。……