CRF(Conditional Random Field) 条件随机场是近几年自然语言处理领域常用的算法之一，常用于句法分析、命名实体识别、词性标注等。在我看来，CRF就像一个反向的隐马尔可夫模型(HMM)，两者都是用了马尔科夫链作为隐含变量的概率转移模型，只不过HMM使用隐含变量生成可观测状态，其生成概率有标注集统计得到，是一个生成模型；而CRF反过来通过可观测状态判别隐含变量，其概率亦通过标注集统计得来，是一个判别模型。由于两者模型主干相同，其能够应用的领域往往是重叠的，但在命名实体、句法
在缺乏足够先验地物信息的条件下对遥感图像进行分类处理是一项比较困难的工作。虽然针对这个问题迄今已经提出了很多统计分类方法,但应用这些统计方法的困难在于分类前图像的统计模型参数未知,往往需要在分类过程中同时进行模型参数估计,而这种参数估计要么在计算上不可实现,要么是所得的参数估计值无法满足一定的优化要求。因此，我们要用马尔科夫随机场对遥感图像分类。 马尔科夫随机场((Markov Random Field, MRF)理论是一种研究分析物理现象的空间或时间相关特性的概率理论。基于马尔可夫随机场模型
