基于自适应区间二型模糊聚类的遥感土地覆盖自动分类
遥感影像土地覆盖分类面临“类别密度差异显著”、“同谱异物”和“同物异谱”等不确定性问题,传统的分类方法(如FCM)因不能描述高阶模糊不确定性,无法完成准确建模,使分类误差较大,而二型模糊集恰是处理此类不确定性的有效工具.在引入二型模糊集新概念和自适应降型新方法的基础上,提出一种自适应二型模糊分类方法(A-IT2FCM):(1)基于样本集模糊距离度量构建面向分类的区间二型模糊集,以尽可能降低对先验知识和预设参数的依赖,从而满足自动分类的要求;(2)给出一种自适应探求等价一型代表(模糊)集合的高效降型方法,在此基础上进行自适应区间二型模糊聚类.实验数据为珠海横琴和北京颐和园的SPOT5影像数据,对比方法有A-IT2FCM、基于Karnik-Mendel算法降型和基于Tizhoosh提出的简易降型方法的区间二型模糊C均值聚类以及作者前期研究提出的区间值模糊C-均值算法(IV-FCM).实验结果表明,A-IT2FCM方法分类效果佳,在类别具有较大密度差异和多重模糊性时能得到比FCM及IV-FCM更精确的边界和更连贯的类别,适于处理遥感影像土地覆盖类别的深层不确定性;同时在“光谱混叠”现象严重时,可以获得比对比方法更稳健、精度更高的影像自动分类结果,且时间复杂度明显低于基于Karnik-Mendel方法.
二型模糊集、土地覆盖分类、自适应模糊聚类、遥感影像、SPOT5
59
P237(摄影测量学与测绘遥感)
国家自然科学基金41272359,11471045,61272364,高等学校博士学科点专项科研基金20120003110032,中央高校基本科研业务费专项资金和广东省自然科学基金2014A030310415资助.
2016-07-12（万方平台首次上网日期，不代表论文的发表时间）
1983-1993
