Combinando Máquinas de Vectores de Soporte y Campos Aleatorios de Markov en un Marco Integrado para la Clasificación Contextual de Imágenes

En el marco de la clasificación de imágenes de teledetección, las máquinas de vectores de soporte (SVM) han recibido últimamente una atención sustancial debido a sus resultados precisos en muchas aplicaciones, así como a su notable capacidad de generalización incluso con datos de entrada de alta dimensión. Sin embargo, los clasificadores SVM son intrínsecamente no contextuales, lo que representa una limitación importante en la clasificación de imágenes. En este documento, se propone un marco novedoso y riguroso que integra SVM y modelos de campo aleatorio de Markov en una formulación única para la clasificación contextual espacial. La generalización contextual de SVM desarrollada se obtiene al relacionar analíticamente el criterio de energía mínima markoviana con la aplicación de un SVM en un espacio adecuadamente transformado. Además, como segunda contribución, se desarrolla un clasificador contextual novedoso en el marco general propuesto. Se combinan dos algoritmos específicos, basados en los procedimientos numéricos de Ho–Kashyap y Powell, con este clasificador para automatizar la estimación de sus parámetros. Se llevan a cabo experimentos con imágenes hiperespectrales, de radar de apertura sintética multicanal y multispectrales de alta resolución, y se evalúa el comportamiento del método en función del tamaño del conjunto de entrenamiento.