关键词:
遥感图像分割
模糊性
不确定区域
高分辨率
区间二型
神经网络
摘要:
【目的】高分辨率遥感图像具有丰富和精细的空间信息,但其丰富的细节却模糊了不同土地覆盖类型间的界限,增加了分割的模糊性和不确定性。针对遥感图像分割领域的这一问题,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。【方法】该方法通过引入空间邻域信息及模型混合策略,构建混合回归隶属函数,实现对数据复杂特征的精细表达,以提升模型的适应性和特征提取能力;通过构建混合回归隶属函数的不确定区域来映射模糊和不确定的遥感数据特征,提高模型的鲁棒性;使用全连接神经网络结构进行特征整合,进一步增强模型的学习能力,同时引入焦点损失函数缓解类别不平衡问题的影响。【结果】在WHDLD和Potsdam数据集上进行的地物类别分割实验中,提出方法的分割精度优于DeepLab v3+和UNet++,与区间二型模糊神经网络方法相比,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】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。