引言
高分辨率遥感图像地物目标细节信息和地表覆盖信息等蕴含丰富，特征显著，具有巨大的高价值数据信息挖掘与应用潜力，已成为数字中国和数字经济建设的核心数据源之一。其精细、准确的像素级别分类结果可广泛应用于智慧城市、智慧交通、智慧农业等领域，特别是在大面积土地利用、土地覆盖测绘和灾害预测等领域优势显著。高分辨率遥感图像为地表分析提供了更细腻的信息，然而丰富的图像细节反而模糊了不同地物类型之间的界限，尤其是相似性的增强，导致分割不确定性上升。
高分辨率遥感图像面临的挑战
- 丰富的图像细节模糊了不同地物类型间的界限
- 相似性增强导致分割不确定性上升
- 结构复杂、变化多样的城市地域中，密集建筑物导致阴影效应
- 材质与颜色的多样性加剧模型构建的复杂度
- 数据利用率低（不足获取率的5%）
- 高价值信息挖掘不充分
现有方法的局限性
- UNet++：计算复杂度高、参数量大、过拟合风险
- 基于Transformer架构：训练时间长，需要大量计算资源
- DeepLab v3+：需要大量高质量标注数据，泛化能力较差
- 基于Mamba的分割方法：复杂度高，计算资源需求大
- 深度森林（DF）：无法充分应对模糊性和不确定性特征
- 区间二型模糊神经网络（IT2FNN）：超参数敏感性、黑盒特性与计算量大
研究创新点
针对遥感图像分割领域的模糊性和不确定性问题，本文提出一种改进区间二型模糊神经网络的新型遥感图像分割方法：
- 将IT2FNN中的高斯隶属函数改进为包含空间邻域信息的混合回归隶属函数，构建均值与标准差双重模糊的不确定区域来映射数据特征
- 采用全连接神经网络结构，增强模型对复杂特征信息的整合与学习能力
- 使用焦点损失函数替代传统的交叉熵损失函数，避免过拟合问题并加速收敛，有效处理类别不平衡问题
研究方法
Wang等提出的IT2FNN一般包含五层结构，分别为输入层、模糊规则层、推理层、聚合层以及输出层，使用高斯隶属函数完成模糊操作，通过模糊规则和模糊推理来实现特征的提取和分类。高分辨率遥感图像复杂的细节特征及精细分割要求，使传统的IT2FNN需要制定大量繁琐的模糊规则，这不仅导致网络结构的复杂化，还使计算量呈指数级增长。
技术路线
本文在保持区间二型模糊理论与神经网络结合优势的基础上改进ITF2NN，技术路线如下：
- 将高斯隶属函数改进为混合回归隶属函数，对各类别进行建模，建立相应的区间二型模糊混合集合
- 构建模型结构，使用全连接神经网络学习特征信息，简化模糊推理的复杂度
- 引入焦点损失函数，缓解类别不平衡问题的影响
图1：改进IT2FNN的遥感图像分割方法技术路线
区间二型模糊混合集合
为提升模型对复杂遥感数据的适应性与特征提取能力，本文引入了空间邻域像素信息和模型混合策略，构建了混合回归主隶属函数WR。同时构建了各类别的均值和标准差的不确定区间二型隶属函数模型，通过对像素主隶属度进行模糊映射，获得像素隶属度的上界WR+ij和下界WR-ij，从而有效界定其变化范围WR~ij。
区间二型模糊混合集合定义：
给定高分辨率遥感图像 RSI = { rsii, i = 1, 2, 3, …, n }，i、n 和 rsii分别代表像素的索引、最大像素数和索引为 i 的像素的灰度值。区间二型模糊混合集合Ã由下式可得：
主隶属函数WR定义：
这种设计使模型能够更好地适应复杂的遥感数据特征，提高分割精度。通过引入空间邻域信息，模型可以更好地处理局部噪声和细节特征，而模型混合策略则增强了模型的表达能力。
传统IT2FNN的局限性
- 使用简单的高斯隶属函数
- 未考虑空间邻域信息
- 需要大量繁琐的模糊规则
- 计算量呈指数级增长
- 对复杂特征的提取能力有限
- 对噪声敏感
改进IT2FNN的优势
- 引入混合回归隶属函数
- 考虑空间邻域信息
- 构建均值与标准差双重模糊的不确定区域
- 简化模糊推理复杂度
- 增强对复杂特征的提取能力
- 提高抗噪声能力
模型结构
全连接神经网络结构
为了增强模型对复杂特征信息的整合与学习能力，本文采用全连接神经网络结构，使模型能够深入分析交错重叠等的特征。相比传统的IT2FNN五层结构，改进后的模型结构更加简洁高效。
图2：改进IT2FNN模型结构
输入层
接收遥感图像像素及其特征信息，为后续处理提供原始数据
隐藏层
使用混合回归隶属函数处理输入数据，构建模糊集合，提取复杂特征
输出层
整合特征信息，输出各像素点属于不同类别的概率，完成分割任务
焦点损失函数
为了解决类别不平衡问题，本文引入焦点损失函数（Focal Loss）替代传统的交叉熵损失函数。焦点损失函数通过调整难易样本的权重，使模型更加关注难分类的样本，从而提高分割精度。
焦点损失函数定义：
其中，pt表示预测概率，αt是平衡因子，γ是调制因子，用于调整易分样本的权重。
焦点损失函数的引入有效缓解了类别不平衡问题的影响，避免了过拟合问题并加速了模型收敛，特别适合处理遥感图像中常见的类别不平衡情况。
算法流程
改进IT2FNN的遥感图像分割算法流程如下：
- 输入高分辨率遥感图像数据
- 对输入数据进行预处理，包括归一化、增强等操作
- 构建混合回归隶属函数，考虑空间邻域信息
- 建立区间二型模糊混合集合，确定隶属度上下界
- 通过全连接神经网络学习特征信息
- 使用焦点损失函数进行模型训练和优化
- 对测试图像进行分割，输出分割结果
- 评估分割精度，包括总体精度、Kappa系数和F1得分
实验结果
实验数据集
本研究在两个公开数据集上进行了实验：
武汉高分辨率遥感数据集
- 包含武汉市区的高分辨率遥感图像
- 空间分辨率：0.5-2米
- 覆盖多种地物类型：建筑、道路、植被、水体等
- 具有典型的城市复杂场景特征
ISPRS Potsdam数据集
- 德国波茨坦市的高分辨率航空图像
- 空间分辨率：5厘米
- 包含6个类别：不透水面、建筑、低矮植被、树木、汽车、背景
- 图像质量高，标注精确
对比算法
本研究将改进的IT2FNN方法与以下算法进行了对比：
深度学习方法
- DeepLab v3+：采用空洞卷积和编解码结构
- UNet++：具有嵌套的跳跃连接和深度监督
模糊方法
- IT2FNN：传统区间二型模糊神经网络
- IT2FM_GMM：基于高斯混合隶属函数的区间二型模糊模型
- IT2FM_NWA：基于自适应加权平均隶属函数的区间二型模糊模型
评价指标
本研究采用以下指标评估分割性能：
总体精度(OA)
正确分类的像素数量占总像素数量的比例，反映整体分类准确性
Kappa系数
考虑随机一致性的分类精度度量，更全面地评估分类性能
F1得分
精确率和召回率的调和平均数，平衡评估模型的精确性和完整性
实验结果分析
在WHDLD和Potsdam数据集上的实验结果表明，本文提出的改进IT2FNN方法在各项评价指标上均优于对比算法：
| 算法 | WHDLD数据集 | Potsdam数据集 | ||||
|---|---|---|---|---|---|---|
| OA(%) | Kappa | F1 | OA(%) | Kappa | F1 | |
| DeepLab v3+ | 78.42 | 0.65 | 0.71 | 80.15 | 0.68 | 0.74 |
| UNet++ | 80.16 | 0.68 | 0.73 | 82.34 | 0.71 | 0.76 |
| IT2FNN | 81.25 | 0.71 | 0.75 | 83.10 | 0.73 | 0.79 |
| IT2FM_GMM | 82.43 | 0.73 | 0.77 | 84.26 | 0.75 | 0.81 |
| IT2FM_NWA | 83.68 | 0.76 | 0.79 | 85.38 | 0.78 | 0.83 |
| 改进IT2FNN（本文） | 89.56 | 0.85 | 0.91 | 93.58 | 0.88 | 0.91 |
与区间二型模糊神经网络方法相比，本文方法在各项指标上均有显著提升：
- 总体精度平均提升了8.31%和10.48%
- Kappa值提升14.07%和14.59%
- F1-score提升16.36%和12.31%
结论
研究结论
本文提出的改进区间二型模糊神经网络方法针对高分辨率遥感图像分割中的模糊性和不确定性问题，取得了显著成效：
- 成功应对了遥感图像分割中的模糊性和不确定性，提高了分割精度
- 有效缓解了土地覆盖分割中区域噪声造成的影响
- 混合回归隶属函数和不确定区域的设计增强了模型对复杂特征的提取能力
- 全连接神经网络结构简化了模型复杂度，提高了计算效率
- 焦点损失函数有效解决了类别不平衡问题
- 在WHDLD和Potsdam数据集上的实验证明了方法的有效性和优越性
实验结果表明，提出方法成功应对了遥感图像分割中的模糊性和不确定性，有效缓解了土地覆盖分割中区域噪声造成的影响，具有分割精度高、泛化能力强等特点。
未来工作
尽管本文提出的方法在遥感图像分割任务中取得了良好效果，但仍有一些方向值得进一步探索：
- 进一步优化混合回归隶属函数，提高模型对极端复杂场景的适应能力
- 探索更高效的神经网络结构，进一步降低计算复杂度
- 将方法扩展到多光谱和高光谱遥感图像分割任务
- 结合深度学习中的注意力机制，增强模型对关键特征的感知能力
- 探索模型的可解释性，提高模型透明度