PCA降维及决策树在多光谱图像中分类探究.docVIP

PCA降维及决策树在多光谱图像中分类探究 　　摘 要： 采用PCA降维和决策树两方法对不同墨水笔迹的多光谱影像和不同对象的多光谱遥感影像分类识别。实验表明，对于墨水笔迹可以分出较好效果而遥感影像效果较差，可能是受影像信噪比的影响；文章为不同墨水的分类提供了解决方法 关键词： 决策树； 高光谱； PCA降维； 分类 中图分类号：TP751.1 文献标志码：A 文章编号：1006-8228（2017）05- 40-03 Application of PCA dimensionality reduction and decision tree in hyperspectral image classification Hao Shangrong （Institute of Data and Knowledge Engineering， School of computer and information engineering，Henan University， Kaifeng， Henan 475004， China） Abstract： PCA dimensionality reduction and decision tree methods are used to classify and recognize the hyperspectral images of handwriting with different inks and the hyperspectral remote sensing images with different objects. The experimental results show that the classification effect of handwriting image is better but the remote sensing image is poor， which may be caused by the signal to noise ratio of the image. This paper provides a solution for the classification of different ink. Key words： decision tree； hyperspectral； PCA dimensionality reduction； classification 0 引言 研究了?C器学习[1]中分类算法之一的决策树以及神经网络中PCA降维在高光谱图像中的分类应用。分析了可能受信噪比低的原因，可以利用高光谱分类的不同墨水；对于遥感信息由于卫星拍摄时其信噪比较高的原因，具体表现为每一个光谱图像产生的能量较小，而噪声影响较大，这样多光谱信息的有效信息太少而失去分类的意义 1 样本的提取 由于不同的墨水在纸张上画的笔迹产生不同的化学反应，进而可以通过高光谱相机获得含有不同高光谱信息笔迹的光谱图。高光谱信息是指不同波段的图像信息。本文的采样过程如下 对于笔迹，采用9只不同的笔，对于遥感影像，采用9类对象，对应101个波段的光谱信息进行采样。笔迹的采样是对每一类笔迹随机采样200个位置，获得总的像素值为9*200*101维特征值。遥感影像采用boundingbox工具，对图像中9类对象200个相应4*4区域，取像素值的均值，总的特征值纬度是9*200*101 2 训练过程 PCA降维的思想是，在特征较多的情况下，通过减少对分类产生很小影响特征数量的方式，达到简化计算效果的目的。决策树是机器学习中十分强大的方法，其重要作用在于分类，其特点是每一次只针对一个最重要的特征进行分类，形成一层的决策树的时候抛弃该特征，多次循环通过相对次重要特征分类的方式。采用机器学习的思想对这些信息进行采样、降维、采用决策树的方法进行训练，经过拟合验证后，获得一棵决策树用在高光谱图像的分类工作中 2.1 PCA降维 由于采样后的样本特征数太多，尽管采用了矩阵进行数据运算的技术，但是由于特征数太多造成的纬度过大，对于矩阵的存储、计算都会有很大的影响，而大部分的纬度并不对结果产生较大的影响。PCA降维[2-3]的思想就是对矩阵计算出协方差矩阵，进而依据矩阵计算出每一列的特征向量、特征值。求出每一特征值与所有特征值之和的比例，对比例值由大到小排序，计算若干个最大值之和大于99%的特征向量对应的特征作为有效特征 2.2 决策树的选取及训练 决策树[4]按照不同的评判标准分为三种分别为：信息的增益、信息的增益比、基尼系数。但都是基于信息熵的思想。信息熵的计算公式为： 其中，P（