近年来随着传感器技术的不断发展,所获遥感影像的分辨率越来越高,使得一些学者对高分辨率影像产生了浓厚的研究兴趣.因此,对于高分辨率遥感影像(HSR)的处理成为目前遥感领域备受关注的问题.其中遥感影像分割在遥感领域中占有极其重要的地位,是该领域的重要研究问题之一.影像分割的目的是把影像划分成若干个区域,这些区域内部性质相似,但区域之间差异较大.目前有多种方法用于遥感影像的分割,例如:聚类,阈值法,基于边缘检测的方法,Markov Random Field(MRF)模型等.其中MRF模型的理论知识已逐步发展至成熟,并可以详尽的描述影像的空间信息,因此被广泛应用于影像分割.但随着传感器技术的不断提高,获取影像的细节特征和结构特征不断增加,使得该模型对同一类别中的异质区域或不同类别中的同质区域没有较好的分割效果.不仅如此,影像中的不平衡数据分类问题,也给分割增加了难度.现有的分割方法往往只能保证区域,不能兼顾细节(即小区域类别容易被大区域”吞掉”).针对上述问题,本文主要做了以下研究工作:研究了对于遥感影像分割的对象级各向异性准则方法(Object-based Markov Random Field with Anisotropic Penalty,OMRF-AP).具体而言,首先,对输入的影像进行初始化过分割处理,建立区域邻接图(GAG),在GAG上定义邻域系统、特征场和标记场,其次,对特征场和分割标记场进行概率建模,最后建立各向异性惩罚矩阵来描述不同类别之间的关系,并定义惩罚信息期望值(Expected value of penalty information,简记EVPI),将各向异性类别相互作用信息和OMRF模型的后验分布信息结合,运用最小后验风险准则迭代更新分割EVPI项,得到最终的影像分割结果.提出了一种基于各向异性势函数的马尔科夫随机场方法(Markov Random Field model based on Anisotropic Potential Function,APF-OMRF),该模型不仅具有较好的区域性,而且各向异性势函数通过设置不同的参数可以准确刻画不同类别间的空间作用关系,使得小区域类别不会被单纯的否定.具体而言,首先,对输入的影像进行初始化过分割处理,建立GAG,在GAG上定义邻域系统、特征场和标记场,其次,对特征场进行似然函数的特征建模,定义各向异性势函数,在标记场的联合概率分布中加入该势函数,对标记场进行各向异性的概率建模,最后,运用MAP准则更新迭代分割,得到最终的分割结果.为了验证本文中两种模型的有效性,我们和其他方法进行了对比,在不同数据库和不同分辨率下的遥感影像实验结果表明,与其他最先进的基于MRF的方法相比,所提出的两种模型均在一定程度上提高了分割精度.