基于马尔可夫随机场(MRF)的方法已广泛用于高空间分辨率(HSR)图像分类中。 但是,许多现有的基于MRF的方法更加注重像素级上下文,而较少关注超像素级上下文信息。 为了解决这个问题,本文提出了一种新颖的双层上下文MRF框架,称为BLC-MRF,用于HSR图像分类。 具体来说,将像素和超像素级别的依赖关系合并到建议的MRF模型中,以充分利用光谱空间上下文信息并保留HSR图像中的对象边界。 在BLC-MRF中,首先执行像素级MRF模型,然后级联作为超像素级MRF的输入。 在超像素级别,分别使用超像素概率估计方法和光谱直方图距离构造一元和成对电位项。 最后,进行了上下文MRF模型,并可以通过使用α-展开算法来计算最终的分类图。 BLC-MRF的好处是双重的:首先,可以在MRF框架下利用像素和超像素级别的上下文信息来保留对象边界,以提高分类性能;其次,该算法可以通过少量训练就能提供有希望的结果样品。 在三个HSR数据集上的实验结果表明,在分类性能方面,该方法优于几种最新方法。