基于决策树的多光谱影像分类研究.pdfVIP

( ) 测绘信息与工程 　Journal of Geomatics Oct . 2006 ; 3 1 5 1 文章编号 (2006) 05000 102 中图分类号 :P237 　　　文献标志码 :B 基于决策树的多光谱影像分类研究 林丽群 　舒 　宁 (武汉大学遥感信息工程学院 ,武汉市珞喻路 129 号 , 430079) 摘 　要 　采用了辅以纹理特征的决策树方法进行分类 ,探讨了决策树在遥感数据分类方面的优势 ,提高了遥感影 像的分类精度 。 关键词 　决策树 ; 分类 ; 纹理 ; 特征选择 ; TM ; 遥感 　　决策树具有非参数的特点 ,能够处理噪声数据 ,尤其是 像分类包括 : 能自动选取特征 ;对于预测新数据 , 能给出一个易于解译的 首先 ,训练数据集要由其特征矢量及相应的类别组成 。 树结构 ,故用于遥感分类具有很大优势[ 1] 。当前多光谱遥感 遥感影像的特征可能包括光谱和纹理特征 ,先对每个连续属 影像分类大多基于光谱特征 ,忽略了影像的纹理结构[2 ] 。多 性特征值进行离散化[8 ] 。 光谱影像具有大量的纹理特征 ,但并非所有特征对分类都有 其次 ,利用训练数据集建立一棵决策树模型 。根据特征 效 。而决策树算法能自动选取与分类任务最相关的特征[3 ] , 的信息增益率构建树模型 ,也是特征选择的过程 。 据此 ,采用 C4 . 5 决策树分类算法[4 ,5 ] ,对辅 以纹理特征的 最后 ,采用已生成的决策树模型对新样本的分类 , 即对 TM 多光谱影像进行分类[6 ] 。 新样本属性值的测试 ,从树的根节点开始 ,按照样本属性的 取值 ,逐渐沿着决策树向下 ,直到树的叶节点 ,该叶节点表示 1 　基于决策树的特征选择与分类 的类别就是新样本的类别 。 ) 决策树是由根节点、中间节点和叶节点组成的树型结 3 精度评价 。交叉检验可 以用来客观估计分类精 [ 5] ( 构 。它是用样本的属性作为节点 ,用属性的取值作为分支的 度 。采用 k 次交叉检验, 将所有初始数据集 包括训练样 ) 树结构 。它采用信息论原理对大量样本的属性进行分析和 本和测试样本 随机分为 k 个互不相交的子集, 每个子集大 归纳 ,其根节点是所有样本中信息量最大的属性 。树的中间 小基本相同, 进行 k 次迭代交叉检验 。在第 i 次分类中, 子集