本文档属于类型a，即单篇原创研究的学术报告。以下是针对该研究的详细报告：
第一，研究的主要作者及机构、发表期刊和时间
本研究由Jiayi Li（IEEE学生会员）、Hongyan Zhang（IEEE会员）和Liangpei Zhang（IEEE高级会员）共同完成，他们均来自武汉大学测绘遥感信息工程国家重点实验室。该研究发表于2014年8月的《IEEE Geoscience and Remote Sensing Letters》期刊，卷号为11，期号为8，具体页码为1409-1413。
第二，研究的学术背景
本研究属于遥感图像处理领域，特别是针对超高分辨率（Very High Resolution, VHR）图像的监督分割技术。随着光学传感器技术的发展，VHR图像在土地覆盖/利用分析和城市制图等遥感应用中展现了广阔的前景。然而，VHR图像的高空间分辨率也带来了新的挑战：一方面，空间域的复杂性加剧了同一地物类型的光谱差异；另一方面，光谱分辨率的降低增加了不同地物类型的光谱模糊性。为了解决这些问题，研究者提出了一种基于扩展形态学属性剖面（Extended Morphological Attribute Profiles, EAPs）和稀疏表示（Sparse Representation）的新型监督分割方法。该方法旨在通过结合几何特征和光谱特征，生成空间精确的分类图。
第三，研究的详细工作流程
本研究的工作流程分为三个主要步骤：特征构建、稀疏变换和分割。
特征构建
首先，研究者利用多种属性提取形态学属性剖面（Attribute Profiles, APs），并将其应用于多光谱VHR图像，生成一组扩展的EAPs。EAPs通过结合不同属性的APs，能够更好地描述图像的结构信息。具体来说，EAPs通过形态学滤波和重建操作生成，包括形态学属性加厚（thickening）和减薄（thinning）操作。这些操作基于图像的连通分量，并通过比较属性值（如面积、标准差等）与参考滤波器参数值来实现。研究者使用Profattran软件计算EAPs特征。
稀疏变换
在特征构建的基础上，研究者将EAPs特征堆叠为扩展多属性剖面（Extended Multi-AP, EMAP）特征，以保留原始图像的几何信息。随后，利用稀疏表示模型，将EMAP特征转换为类依赖的残差特征。具体来说，研究者将所有训练样本堆叠为一个过完备字典，并假设测试像素可以表示为训练样本的稀疏线性组合。通过求解稀疏系数向量，计算每个类别的残差，并将其归一化为后验概率分布。
分割
最后，研究者利用最大后验概率（Maximum A Posteriori, MAP）分割方法对图像进行分割。该方法结合了后验概率分布和多级逻辑先验（Multilevel Logistic Prior, MLL），通过图割（Graph Cut）算法实现高效的整数优化，最终得到图像的分类结果。
第四，研究的主要结果
研究者在IKONOS和WorldView-2数据集上进行了实验，验证了所提出方法的有效性。实验结果表明，与支持向量机（SVM）、基于多数投票的对象导向SVM以及其他先进方法相比，所提出的方法在分类精度和稳定性方面均表现出色。具体来说，基于EMAP特征的分类器在大多数类别上的表现优于基于光谱特征的分类器，且所提出的算法在视觉上能够消除像素级分类中的“椒盐噪声”现象，生成更平滑的分割区域。
第五，研究的结论
本研究首次将稀疏表示技术应用于VHR遥感图像，通过构建EMAP特征，同时保留了图像的光谱和几何信息。结合MAP分割方法和MLL先验，所提出的方法在VHR图像分割中展现了良好的判别能力和稳定性。实验结果表明，该方法在处理高分辨率遥感图像时具有显著的优势，为土地覆盖/利用分析和城市制图提供了有效的技术支持。
第六，研究的亮点
本研究的亮点在于：
1. 首次将稀疏表示技术应用于VHR遥感图像，结合EMAP特征，实现了光谱和几何信息的有效融合。
2. 提出了一种基于MAP分割和图割算法的高效分割方法，能够生成空间精确的分类图。
3. 实验结果表明，所提出的方法在分类精度和稳定性方面均优于现有方法，具有广泛的应用前景。
第七，其他有价值的内容
本研究还详细介绍了形态学属性剖面的计算方法，包括基于连通分量的形态学滤波和重建操作。此外，研究者提供了Profattran软件的使用说明，为其他研究者提供了参考。这些内容为后续研究提供了重要的技术支持和理论依据。
本研究在VHR遥感图像分割领域提出了一种创新方法，具有重要的科学价值和应用前景。