摘要：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AIT2FCM、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.

关键词：二型模糊集 土地覆盖分类 自适应模糊聚类 遥感影像 spot5 

单位：北京师范大学信息科学与技术学院; 北京100875; 北京师范大学珠海分校信息技术学院; 广东珠海519087