基于半监督模糊C均值算法的遥感影像分类

冯国政 徐金东 范宝德 赵甜雨 朱萌 孙潇

摘 要：遙感影像数据因其固有的不确定性与复杂性，导致传统的无监督分类算法难以对其准确建模。基于模糊集理论的模式识别方法可以有效地表达数据的模糊性，其中二型模糊集能更好地刻画类间多重不确定性，而半监督法可以利用少量先验知识来解决算法对数据的泛化性问题，因此提出一种基于半监督的自适应区间二型模糊C均值遥感影像分类方法（SSAIT2FCM）。首先，结合半监督和进化论思想，提出一种新的模糊权重指数选取方法，以提升自适应区间二型模糊C均值聚类算法的鲁棒性与泛化性，使算法更适用于光谱混叠严重、覆盖面积大、地物丰富的遥感数据分类;然后，通过对少量标记样本的软约束监督，对区间二型模糊算法迭代过程进行优化指导，来挖掘数据的最优表达。实验选用了北京颐和园区域的SPOT5多光谱遥感影像数据和广东横琴岛区域的Landsat TM多光谱遥感影像数据，对现有流行的模糊分类算法和SSAIT2FCM的分类结果进行了比较。结果表明，SSAIT2FCM获得了更高的分类精度与更清晰的类别边界，且有较好数据泛化能力。

关键词：半监督;二型模糊集;模糊C均值算法;遥感影像分类;自适应区间

中图分类号：TP75

文献标志码：A

Remote sensing image classification via semisupervised fuzzy Cmeans algorithm

FENG Guozheng， XU Jindong*， FAN Baode， ZHAO Tianyu， ZHU Meng， SUN Xiao

School of Computer and Control Engineering， Yantai University， Yantai Shandong 264005， China

Abstract：

Because of the uncertainty and complexity of remote sensing image data， it is difficult for traditional unsupervised algorithms to create an accurate classification model for them. Pattern recognition methods based on fuzzy set theory can express the fuzziness of data effectively. In these methods， type2 fuzzy set can better describe interclass hybrid uncertainty. Furthermore， semisupervised method can use prior knowledge to deal with the generalization problem of algorithm to data. Therefore， a remote sensing image classification method based on SemiSupervised Adaptive Interval Type2 Fuzzy CMeans （SSAIT2FCM） was proposed. Firstly， by integrating the semisupervised and evolution theory， a novel fuzzy weight index selection method was proposed to improve the robustness and generalization of the adaptive interval type2 fuzzy Cmeans clustering algorithm. The proposed algorithm was more suitable for the classification of remote sensing data with severe spectral aliasing， large coverage areas and abundant features. In addition， by performing soft constrained supervision on small number of labeled samples， the iterative process of the algorithm was optimized and guided， and the greatest expression of the data was obtained. In the experiments， SPOT5 multispectral remote sensing image data of the Summer Palace in Beijing and Landsat TM multispectral remote sensing image data of the Hengqin Island in Guangdong were used to compare the results of the existing fuzzy classification algorithms and SSAIT2FCM. The experimental results show that the proposed method obtains more accurate classification and clearer boundaries of classes， and has good data generalization ability.

Key words：

semisupervised; type2 fuzzy set; Fuzzy CMeans （FCM） algorithm; remote sensing image classification; adaptive interval

0 引言

遥感影像数据固有的不确定性以及其普遍存在的“同物异谱、同谱异物”现象[1-3]，导致现有分类算法的泛化能力和精度存在瓶颈，随着遥感影像高空间、高频谱、高时相的“三高”发展，分类的复杂性与“噪声”的多样性大大增加[4]，传统单一的遥感影像分类技术往往难以满足各类遥感数据的处理需求[5-6]。已有的无监督分类算法忽视了数据样本的信息，导致表征遥感影像的泛化能力较差，而遥感图像固有的地物复杂特性，导致监督算法往往很难获得足够的准确标记信息[7]。基于半监督思想的分类方法能利用少量已标记样本来大幅度降低分类器对已标记样本的需求，同时可以有效解决分类算法对数据的不适用性问题[8]，成为解决遥感影像分类问题的有效途径[9-10]。

模糊集数学理论是表达模糊性与数据不确定性问题的有效数学方法[11]。其中，一型模糊C均值（Fuzzy CMeans，FCM） 算法因其能在一定程度上解决遥感数据的不确定性问题，在遥感影像分类领域得到广泛研究[12-14]，但是FCM对于有密度差异较大与多重不确定性的遥感影像数据的分类结果并不理想[15]。与一型模糊集相比，二型模糊集则是通过构建不确定的隶属度来描述数据的不确定性[16]，因此二型模糊集描述多重的模糊不确定性信息能力更强，更适用于遥感影像分类中出现的多重不确定性，如遥感数据及所属类别的不确定性[17]，但是也带来了相对高的计算复杂度，很难实际应用于遥感影像数据的分类。引入区间值建模方法的二型模糊分类技术可以保持很好的高阶不确定性描述能力，并且有效地降低普通二型模糊集的计算复杂度[18-19]。

1 相关工作

模糊聚类算法在模式识别、遥感影像处理等领域有广泛的应用与发展[20]。1975年Zadeh[21]将一型模糊集合的隶属度进一步模糊化，使其具有更大的隶属自由度，提出了更有模糊表达能力的二型模糊集合理论。随后，二型模糊理论得到广泛重视，其中区间二型模糊理论被广泛应用到多个领域[22-23]。Mendel[24]结合模糊逻辑中区间集合概念，提出了区间二型模糊集合，降低了二型模糊集合的計算复杂度，提高了二型模糊算法的实时处理能力，促进了二型模糊集合理论的推广。目前，基于区间二型模糊集的算法应用已有多种。2014年，Yu等[18]将使用不同模糊权重指数建模的区间二型模糊C均值算法（Interval Type-2 FCM，IT2FCM）应用到了遥感影像数据的分类中，利用两种不同的模糊指数使隶属度区间化，得到了精度较高的分类效果，但是对于不同模糊权重指数的选取增加了难度，且硬降型的方法难以准确刻画数据的不确定性。2015年，Ouarda[25]通过比较多种隶属度区间硬构造方式，并应用于遥感数据分类，证明了区间二型模糊建模的聚类效果相对于一型模糊建模更具有准确性与鲁棒性。2016年，贺辉等[26]通过最大相异性度量代替不同模糊权重指数对隶属度进行区间建模，结合类内均方误差构建自适应因子，动态地对隶属度区间降型，提出了一种自适应区间的二型模糊C均值算法（Adaptive Interval Type2 FCM，AIT2FCM）并应用于遥感影像分类。2019年，He等[27]将区间二型模糊集方法应用到面向对象的遥感影像分类中，准确描述了像斑特征。基于二型模糊集的遥感影像分类已引起业界关注，但其深度和应用效果尚处于研究起步阶段。

半监督方法通过少量的样本标记进行辅助无监督学习，在聚类的迭代搜索中起到指导作用，能提高算法搜索准确性，减少陷入局部极值的机会，加快算法的收敛与计算速度[28-29]。在半监督模糊分类方法方面，Pedrycz首先将标记样本引入到了FCM算法，对目标函数寻优进行监督，提出了半监督的FCM算法，并给出算法的交替优化过程[30-33]。也有其他科研工作者将半监督模糊C均值算法应用于遥感影像分类[34-36]，并取得了较好效果。Ngo首次提出一种结合半监督思想与两种不同模糊指数建模的区间二型模糊C均值的分类算法（SemiSupervised FCM，SSFCM），并用于遥感影像的分类与变化检测[35-36]，但使用两种不同模糊指数建模的方法易出现大类别“吞噬”小类别的问题。

综上，区间二型模糊C均值聚类方法较一型的模糊C均值聚类方法分类隶属自由度上采取了更先进的机制，且在算法效率、准确性和鲁棒性上有较大的提升空间;半监督法因其利用了部分先验信息，使分类算法对遥感数据有较好的适用性。因此，本文将半监督思想与区间二型模糊C均值聚类方法进行有机结合，提出一种新的遥感影像分类方法。

2 半监督自适应区间二型FCM算法

2.1 基于进化论的模糊权重指数m选取

区间二型FCM算法与一型FCM算法相比，核心思想是对隶属度U的区间构造，使算法具备更强的模糊表达能力。而隶属度U的计算很大程度上取决于模糊权重指数m的选取，且m值控制着样本在模糊类间的分享程度，因此m的选取至关重要。

FCM算法的目标函数如式（1）所示：

Jm=∑nk=1∑ci=1（uik）m（dik）2（1）

忽略隶属度函数和聚类模型与模糊权重指数m的关系，如式（2）所示：

Jmm=∑nk=1∑ci=1（uik）m·log（uik）·（dik）2=

∑nk=1∑ci=1[uikloguik][um-1ik·（dik）2]<0（2）

其中：n是样本数量，c是类别数，uik是xi隶属于第k类别的隶属度，dik是xi与第k类别中心vk的距离。可以看出Jm会随着m的增加而单调递减，这说明m直接影响目标函数Jm的凹凸性和收敛性，必然会对算法的分类性能产生影响。然而，现有的FCM关于如何选择最佳模糊权重指数m仍然缺乏理论性指导，虽然国内外在此已有相关的研究，但依然没有统一的标准[37]。基于区间二型的模糊算法更是鲜有模糊权重指数m的选择标准，选择的指标依然由使用者启发性或随机指定。但是可以确定的是，模糊权重指数m的选取取决于数据本身[38]。

因遥感影像数据固有不确定性的特点，需要选取可以有效表达模糊性的m值，模糊分类的m值的选取尤为重要。本文参考文献[37]提出的m最佳选取区间[1.5，2.5]，并适当扩大区间至[1.1，2.9]，以期算法更适应于解决光谱混叠严重、覆盖面积大、地物丰富的遥感影像分类; 结合半监督和进化论思想[39]，提出一种新的结合数据本身的自适应模糊权重指数选取方法，定义了βt∈[0，1]为评价模糊权重指数mt下的聚类有效性指标，如式（3）所示，值越大表示聚类结果越好。

βt=∑cj=1∑‖XMj‖k=1uik‖XMj‖c·‖XLj‖; XMXL （3）

其中：XL={XL1， XL2， …， XLc}为标记样本集，XM={XM1， XM2，…， XMc}表示在权重指数mi下对标记样本集的分类结果与标记结果的交集;‖XMj‖和‖XLj‖分别表示在XM、XL中第j类的样本个数;‖XL‖表示标记样本集中的样本个数;ukj表示在XMj中的第k个样本点属于第j类的隶属度。

模糊权重指数的计算如式（4）所示：

mt=mt-1+N[0，α（1-βt）]（4）

其中，mt-1、mt分别是第t-1、t次迭代的模糊权重指数且数值在区间[1.1，2.9]内，α是正常量，N[0， α（1-βt）]是模糊权重指数的进化步长，服从均值为0、方差为α（1-βt）的正态分布。可以看到， β值越大，m的进化步长越小，当β趋近于1时，m也随之收敛至最优值。

进化迭代选取模糊权重指数m的具体步骤如下：

1）初始化模糊权重指数m0∈[1.1，2.9]，初始质心V0，最大迭代次数T，阈值ε，分类数c，迭代次数t=0。

2）对标记样本集XL进行模糊无监督分类迭代，得到类别结果与标记结果的交集XM。

3）根据式（3）更新有效性指标βt，根据式（4）更新mt。

4）若‖βt-βt-1‖≤ε或t≥T或mt∈[1.1，2.9]，终止迭代;否则，t=t+1，转2）。

2.2 SSAIT2FCM算法

设计SSAIT2FCM算法目标函数如式（5）所示：

Jt=（1-λ）∑cj=1∑‖XU‖p=1（uupj）m（dpj）2+

λ∑cj=1∑‖XL‖i=1（uuij）m（dij）2（5）

其中：λ为标记样本点在数据样本集中的占比率;XU为未标记样本集，‖XU‖为样本集个数;uuij为未标记样本点xui隶属于第j类的隶属度;dij表示数据点xi与类别质心vj之间的距离。

为了提高分类准确度并且减少不必要的算法时间，结合半监督的思想，从初始V0与质心的计算公式两方面对算法进行设计，以减少算法的迭代次数，弥补为了增加聚类准确度而造成的算法时间复杂度的增加问题。

二型FCM算法与一型FCM算法类似，若随机选取初始化质心，即随机初始化隶属度矩阵，不仅增加了不必要的算法迭代次数，而且造成聚类的结果极不稳定。这里依据部分专家知识（标记样本集XL）初始化质心V0，并进而实现隶属度的初始化。初始化质心V0如式（6）所示：

V0=∑‖XL‖i=1ulixli/∑‖XL‖i=1uli（6）

其中： xli為标记样本集xl中的第i个标记样本点，uli为标记样本点xli的隶属度矩阵。由伯努利分布定理：若标记样本点xli属于第j类，则 ulij=1，否则ulij=0。

隶属度矩阵U的计算如式（7）所示：

uij=[∑cp=1（dij/dip）2/（m-1）]-1（7）

其中： uij表示数据点xi属于第j类的隶属度;dij表示数据点xi与类别质心vj之间的距离。

为了有效发挥标记样本点在算法中的指导作用，加快质心的稳定速度，增加聚类结果的准确度，半监督约束质心vj的计算如式（8）所示：

vj=∑‖XU‖p=1uupjxup∑‖XU‖p=1uupj+λ∑‖XL‖i=1ulijxlp∑‖XL‖i=1ulij-∑‖XU‖p=1uupjxup∑‖XU‖p=1uupj=

（1-λ）∑‖XU‖p=1uupjxup∑‖XU‖p=1uupj+λ∑‖XL‖i=1ulijxlp∑‖XL‖i=1ulij（8）

其中λ为标记样本点在数据样本集中的占比率：如果λ=1，即所有样本都是标记样本，算法不需要迭代; 若λ=0，则会退化为无监督聚类算法。λ计算如式（9）所示：

λ=‖XL‖‖X‖=‖XL‖‖XL‖+‖XU‖（9）

其中： X为数据样本集，‖X‖为数据样本集的总数。

本文区间二型FCM的隶属度区间构造采用模糊最大相异性度量的方式以增强其不确定性的表达能力。区间二型模糊划分矩阵定义对待测样本隶属度UU的上边界矩阵U的构造如式（10）所示，下边界矩阵UU的构造如式（11）所示。

U=[uij]; uij=∑ck=1（Lij/Lik）2/（m-1）-1（10）

UU=[uuij]; uuij=∑ck=1（Sij/Sik）2/（m-1）-1（11）

其中，uij、uuij表示待测样本点xui的隶属度uuij的上、下隶属度边界，Lij表示各维度间平均值Lij=mean（dxij），Sij表示各维度之间的最大值Sij=max（dxij），dxij表示待测样本点xui与类别质心vj之间各维度的差值。

区间二型FCM算法需要将区间化的隶属度降型去模糊，这里引入自适应因子γ[40]动态调节隶属度宽度，隶属度区间的自适应降型如式（12）所示，得到隶属度UU。

UU=U-γ（U-UU）（12）

其中，γ={γ1， γ2，…，γc}为自适应因子，意义是当待测样本被分到某个类中时，此时的归一化类内均方误差如果变大，自适应因子γ在[0， 1]随即变大进行自适应调节，隶属度降型值随即快速拉伸，随着迭代次数的增加会趋于一个平稳的值。自适应因子γ构造的正相关曲线计算如式（13）所示：

γ=1-0.97exp（-5e2）（13）

其中，e={ e1，e2，…， ej，…， ec}为类内均方误差，计算公式如式（14）所示：

ej=∑ i∈Cj（uuij）mδ（xui，vj）‖Cj‖ ; j=1，2，…，c（14）

其中：uuij表示待测样本点xui隶属于第j类的隶属度，δ（xui，vj）表示当前类别集Ck中的待测样本点xui与其所属类别的质心vj的偏差，‖Cj‖为类别集Cj的个数。SSAIT2FCM算法的具体实施步骤如下：

1）首先对数据集X获取各类别部分专家知识，并进行样本标记。得到标记样本集XL，未标记样本集XU，确定分类数c，迭代次数最大值T，阈值ε，初始化迭代次数t=1，初始化目标函数J0=0。

2）根据2.1节中模糊权重指数m选取算法确定最优m。

3）根据式（8）初始化标记样本占比率λ。根据式（6）中的方法，初始化质心V0。根据式（7）初始化未标记样本点的隶属度矩阵UU。

4）根据质心V，按照式（10）、式（11）对隶属度进行区间化。

5）根据未标记隶属度UU类别归一化，按照式（13）、式（14）得到各类内均方误差，更新自适应因子γ，并按照式（12）对隶属度进行降型更新，得到UU。

6）根据式（8）更新质心V。

7）根据式（5）更新目标函数Jt。

8）若‖Jt-Jt-1‖≤ε或t≥T，终止迭代;否则，t=t+1，转4）。

3 实验

为验证本文算法的有效性，实验数据选用了北京颐和园区域SPOT5卫星多光谱影像数据（10m分辨率）和广东横琴岛区域Landsat TM卫星多光谱影像数据（30m分辨率），这两组实验数据具有覆盖面积大、地物之间阴影多、有较强的模糊性等特点，可有效验证本文算法在复杂遥感影像分类问题中的正确性与适用性。

对比实验选用FCM算法、IT2FCM算法[18]和AIT2FCM算法[26]、SSFCM算法[36]。其中，IT2FCM算法采用两种不同模糊权重指数构建区间二型模糊集，降型方法为硬降型;AIT2FCM算法采用最大相异性度量构建区间二型模糊集，降型方法为自适应降型;SSFCM算法是基于半监督的二型FCM算法。以上两种方法是遥感影像分类领域中最为流行的算法。实验过程中未对遥感影像数据进行滤波、后处理等处理，公共参数设置保持一致以保证最终实验结果的可比性，算法分类效果从目视判读和客观指标两个角度进行比较。

3.1 北京颐和园数据分类实验

3.1.1 实验数据介绍

北京颐和园SPOT5数据（东至世纪城，西至北京植物园，南到杏石口路，北到颐和园）大小为591×736像素，地物类型涵盖了水域、草地、林地、裸地和建筑用地。该实验数据中山体上的林地、居民房屋区域像素受阴影影响严重，道路和水路交错分布、错综复杂，草地、林地光谱特征近似，综上该实验数据具有较强的模糊性。

3.1.2 实验结果分析

如图1所示，其中图1（a）为原图像的SPOT5假彩色合成图（1、2、3波段），此数据有较强的光谱混叠、阴影和“同谱异物、同物异谱”的现象，对类别的划分更加困难。图1（b）为一型FCM算法的分类结果，图1（c）为两种不同模糊权重指数（m1=1.5，m2=4.5）的IT2FCM[18]的分类结果，图1（d）为AIT2FCM[26]的分类结果，图1（e）为SSFCM[36]的分类结果，图1（f）为本文提出的SSAIT2FCM（λ=0.1）实验结果，图1（g）为部分类别的地面真值。图中存在明显分类差异的区域分别为区域1、区域2和区域3。

由图1可见，FCM的分类结果中，道路与水路划分模糊，水域与林地类别错分严重，无法正确区分草地与林地，因为阴影区域与水域的光谱相似，导致阴影区域错分为水域，例如区域1中，山体阴影光谱与水体类似，因此山体阴影错分为了水域。IT2FCM的分类结果中，基于两种不同模糊指数的二型模糊算法较好地适用于高阶模糊性的遥感影像分类，相对于FCM得到了较好的分类结果，解决了区域2中水域与林地的错分问题，林地与草地的划分较为准确，但是道路与水路的划分问题没有解决，山体阴影部分错分为水域的问题没有较好解决。AIT2FCM的分类结果中，道路错分为水域，水域、林地、草地类别之间错分现象严重，边界不明显，在区域1中山体明显错分为水域与草地，區域2中山林错分为水域与裸地。SSFCM的划分结果明显优于各无监督FCM结果，证明了半监督思想的可行性。比较之下，SSAIT2FCM取得了最好的分类效果，错分点更少，具有一定的抗噪能力，而且类别聚合度更高，更紧凑完整，边界更加明显。在区域3中都把房屋阴影错分为水域，尽管SSAIT2FCM缩小了错分为水域的面积，但是始终没有完全解决阴影问题，因为算法只考虑了单点像素模糊的方法，未对地物邻域信息进行考虑，这也是今后算法需要改进的方向。

3.2 广东横琴岛数据分类实验

3.2.1 实验数据介绍

广东横琴岛Landsat TM多光谱影像数据（覆盖整个大、小横琴岛区域及其附近水域）大小为452×795像素，地物类型涵盖了植被、养殖区、建筑用地、清澈水体、浑浊水体及滩涂。该实验数据覆盖面积大、地物复杂、光谱混叠现象严重。

3.2.2 实验结果分析

如图2所示， 图2（a）为原图像的TM假彩色合成图（4、3、2波段）， 图2（b）为一型FCM算法的分类结果，图2（c）为两种不同模糊指数（m1=2，m2=5）的IT2FCM[18]的分类结果，图2（d）为AIT2FCM[26]的分类结果，图2（e）为SSFCM[36]的分类结果，图2（f）为SSAIT2FCM（λ=0.05）的分类结果，图2（g）为部分类别的地面真值。其中图2（a）～（f）中每幅图标记了3个存在明显分类差异的区域，分别为区域1、区域2和区域3。

由图2（a）可见， 区域1中是养殖区类中的水淹稻田与小部分植被类，因为水淹稻田与植被光谱具有相似性，并且实际中两者连接在一起，易受邻域像素之间影响，交界区域出现较多光谱混叠，难以将两类别进行区分。FCM和IT2FCM均将植被错分为滩涂，AIT2FCM虽然较好地完成了部分水淹稻田与植被区域的划分，但是两类别交界部分错分为滩涂。SSFCM和SSAIT2FCM则更好地划分出了两个类别。区域2中是植被类中的山体植被与养殖区的交界区域，受山体植被敏感变化的影响，FCM和IT2FCM错把部分植被区域识别为滩涂，AIT2FCM准确识别出此区域的植被，

但将边界区域的养殖区错分为滩涂，表明以上无监督算法对具有非均质性的区域表征能力不强，易受光谱混叠的影响。加入半监督的SSFCM和SSAIT2FCM不仅正确识别出了山体植被与养殖区， 而且划分的边界更加清晰。区域3中是清澈水体类与养殖区类，因两类别在有限的光谱特征下十分相似，只有SSAIT2FCM对清澈水体的错分率更低。结果验证了SSAIT2FCM的半监督方法可以有效地指导类别的划分，对类别边界的划分更加清晰且取得了更高的准确率，这表明了在遥感影像粗分类中先验知识对算法分类结果的重要性。

结合土地利用图以及往年历史数据分别在地物复杂且光谱混叠区域实测并标注了一组样本点的地面真值（图1（f）和图2（f）），对各算法结果进行了精度验证。如表1、2所示， SSAIT2FCM的总体分类精度（Overall Accuracy， OA）与Kappa系数（Kappa Coefficient，KC）在所有算法中最高，这与目视判读结果一致，证明了本文方法对于光谱混叠较严重、覆盖面积大、地物丰富的遥感影像聚类准确度更高、适应性更强。算法执行时间（CPUtime）在各二型模糊算法中最低，证明了加入半监督方法在满足精细分类要求的同时可以减少算法执行时间。

4 结语

本文提出的模糊权重指数选取是一个进化迭代过程，通过设计一种有效性指标对标记样本集的不同m值无监督分类结果与标记结果进行评价，最终得到有效性最高的m值，SSAIT2FCM在AIT2FCM算法基础上，结合上述m选取算法，将先验信息用于AIT2FCM的初始化质心、质心计算的过程中，充分发挥标记样本对算法的指导作用。实验结果表明，区间二型模糊算法在空间分辨率较低、混合像元严重覆盖面积大、地物丰富的遥感影像数据中的表现明显好于一型模糊算法。加入先验知识的半监督的SSAIT2FCM算法准确度明显高于无监督算法，而且可以有效缩短算法的运算时间，弥补了二型模糊集方法相较于一型模糊算法的时间复杂度增加的问题，进一步有效验证了本文算法中的半监督方法对分类指导的有效性，专家先验知识的引入也很好地解决了算法本身对于遥感影像数据的不适用性问题，改善了最终分类结果。然而，算法对标记样本选取的准确度提出了要求，分类的准确度还有较大提升空间。不同遥感影像数据与模糊算法的匹配建模问题以及标记样本的选取问题，仍是今后需要研究的方向。

参考文献 （References）

[1]XU J， YU X， PEI W， et al. A remote sensing image fusion method based on feedback sparse component analysis[J]. Computers & Geosciences， 2015， 85（B）： 115-123.

[2]HE H， LIANG T， HU D， et al. Remote sensing clustering analysis based on objectbased interval modeling[J]. Computers & Geosciences， 2016， 94： 131-139.

[3]贺辉，余先川，胡丹. 模糊不确定性建模分析及应用[M].北京：科学出版社，2016：1-20. （HE H， YU X C， HU D. Analysis and Application of Fuzzy Uncertainty Modeling [M]. Beijing： Science Press， 2016： 1-20.）

[4]王鑫，李可，徐明君，等.改進的基于深度学习的遥感图像分类算法[J].计算机应用，2019，39（2）：382-387.（WANG X， LI K， XU M J， et al. Improved remote sensing image classification algorithm based on deep learning[J]. Journal of Computer Applications， 2019， 39（2）： 382-387.）

[5]XU J， NI M， ZHANG Y， et al. Remote sensing image fusion method based on multiscale morphological component analysis[J]. Journal of Applied Remote Sensing， 2016， 10（2）： 025018.

[6]龔建雅，钟燕飞.光学遥感影像智能化处理研究进展[J].遥感学报，2016，20（5）：733-747.（GONG J Y， ZHONG Y F. Survey of intelligent optical remote sensing image processing[J]. Journal of Remote Sensing， 2016， 20（5）： 733-747.）

[7]PERSELLO C， BRUZZONE L. Active and semisupervised learning for the classification of remote sensing image[J]. IEEE Transactions on Geoscience & Remote Sensing， 2014， 52（11）： 6937-6956.

[8]DAI X， WU X， WANG B， et al. Semisupervised scene classification for remote sensing images： a method based on convolutional neural networks and ensemble learning[J]. IEEE Geoscience and Remote Sensing Letters， 2019， 16（6）： 869-873.

[9]张兵.高光谱图像处理与信息提取前沿[J].遥感学报，2016，20（5）：1062-1090. （ZHANG B. Advancement of hyperspectral image processing and information extraction[J]. Journal of Remote Sensing， 2016， 20（5）： 1062-1090.）

[10]王玉龙，蒲军，赵江华，等.基于生成对抗网络的地面新增建筑检测[J].计算机应用，2019，39（5）：1518-1522. （WANG Y L， PU J， ZHAO J H， et al. Detection of new ground building based on generative adversarial network[J]. Journal of Computer Applications， 2019， 39（5）： 1518-1522.）

[11]ZADEH L A. Fuzzy set[J]. Information and Control， 1965， 8： 338-353.

[12]余先川，贺辉，胡丹，等.基于区间值模糊C均值算法的土地覆盖分类[J].中国科学：地球科学，2014，44（9）：2022-2029.（YU X C， HE H， HU D， et al. Land cover classification of remote sensing imagery based on intervalvalued data fuzzy Cmeans algorithm[J]. Science China： Earth Sciences， 2014， 44（9）： 2022-2029.）

[13]LIU L， LI C， LEI Y. A new fuzzy clustering method with neighborhood distance constraint for volcanic ash cloud[J]. IEEE Journals & Magazines. 2016， 4： 7005-7013.

[14]CHOUBIN B， SOLAIMANI K， HABIBNEJAD R M， et al. Watershed classification by remote sensing indices： a fuzzy Cmeans clustering approach[J]. Journal of Mountain Science， 2017， 14（10）： 2053-2063.

[15]HWANG C， RHEE C. Uncertain fuzzy clustering： interval type2 fuzzy approach to cmeans[J]. IEEE Transactions on Fuzzy Systems， 2007， 15（1）： 107-120.

[16]MEMON K H. A histogram approach for determining fuzzifier values of interval type2 fuzzy Cmeans[J]. Expert Systems with Applications， 2018， 91： 27-35.

[17]HUO H， GUO J， LI Z， et al. Remote sensing of spatiotemporal changes in wetland geomorphology based on type 2 fuzzy sets： a case study of Beidahuang Wetland from 1975 to 2015[J]. Remote Sensing， 2017， 9（7）： 683.

[18]YU X， ZHOU W， HE H. A method of remote sensing image auto classification based on interval type2 fuzzy Cmeans[C]// Proceedings of the 2014 IEEE Proceedings of the International Conference on Fuzzy Systems. Piscataway： IEEE， 2014： 223-228.

[34]JIA D， WANG C， LEI S. Semisupervised GDTW kernelbased fuzzy Cmeans algorithm for mapping vegetation dynamics in mining region using normalized difference vegetation index time series[J]. Journal of Applied Remote Sensing， 2018， 12（1）： 016028.

[35]NGO L T， MAI D S， PEDRYCZ W. Semisupervising interval type2 fuzzy Cmeans clustering with spatial information for multispectral satellite image classification and change detection[J]. Computers & Geosciences， 2015， 83： 1-16.

[36]MAI D S， NGO L T. Semisupervised fuzzy Cmeans clustering for change detection from multispectral satellite image[C]// Proceedings of the 2015 IEEE International Conference on Fuzzy Systems. Piscataway： IEEE， 2015： 1-8.

[37]PAL N R， BEZDEK J C. On cluster validity for the fuzzy Cmean model[J]. IEEE Transactions on Fuzzy Systems， 1995， 3（3）： 370-379.

[38]于劍.论模糊C均值算法的模糊指标[J].计算机学报，2003，26（8）：968-973.（YU J. On fuzzy index of fuzzy Cmeans algorithm[J]. Chinese Journal of Computers， 2003， 26（8）： 968-973.）

[39]SZILAGYI L， ICLANZAN D， SZILAGYI S M， et al. A generalized cmeans clustering model using optimized via evolutionary computation[C]// Proceedings of the 2009 IEEE International Conference on Fuzzy Systems. Piscataway： IEEE， 2009： 451-455.

[40]李洪兴.变论域自适应模糊控制器[J].中国科学E辑： 技术科学， 1999，29（1）：32-42. （LI H X. Variable domain adaptive fuzzy controller[J]. Science in China Series E： Technical Science， 1999， 29（1）：32-42.）

This work is partially supported by the Natural Science Foundation of Shandong Province （ZR2019MF060， ZR2017MF008， ZR201702220179， ZR201709210160）， the Key Project of Shandong Province Higher Educational Science and Technology Program （J18KZ016）， the Yantai Key Research and Developement Plan （2018YT06000271）.

FENG Guozheng， born in 1996， M. S. candidate. His research interests include remote sensing image classification， machine learning.

XU Jindong， born in 1980， Ph. D.， associate professor. His research interests include image processing.

FAN Baode， born in 1962， Ph. D.， professor. His research interests include geoscience big data analysis.

ZHAO Tianyu， born in 1996， M. S. candidate. Her research interests include computer vision， remote sensing image classification.

ZHU Meng， born in 1995， M. S. candidate. Her research interests include remote sensing image fusion.

SUN Xiao， born in 1994， M. S. candidate. Her research interests include hyperspectral image processing， deep learning.