ERDAS分类后处理与ArcGIS数据交换.docxVIP

基于专家知识的决策树分类 可以将多源数据用于影像分类当中，这就是专家知识的决策树分类器，本专题以  ENVI  中 Decision Tree  为例来叙述这一分类器。 概述 基于知识的决策树分类是基于遥感影像数据及其他空间数据， 通过专家经验总结、 简单的数 学统计和归纳方法等，获得分类规则并进行遥感分类。分类规则易于理解，分类过程也符合人的认知过程， 最大的特点是利用的多源数据 。 如图 1 所示，影像 +DEM 就能区分缓坡和陡坡的植被信息，如果添加其他数据，如区域图、道路图土地利用图等，就能进一步划分出那些是自然生长的植被，那些是公园植被。 图 1 专家知识决策树分类器说明图 专家知识决策树分类的步骤大体上可分为四步：知识（规则）定义、规则输入、决策树运行和分类后处理。 1.知识（规则）定义 规则的定义是讲知识用数学语言表达的过程， 可以通过一些算法获取， 也可以通过经验总结获得。 2.规则输入 将分类规则录入分类器中，不同的平台有着不同规则录入界面。 3.决策树运行 运行分类器或者是算法程序。 4.分类后处理 这步骤与监督 / 非监督分类的分类后处理类似。 知识（规则）定义 分类规则获取的途径比较灵活，如从经验中获得，坡度小于 20 度，就认为是缓坡，等等。 也可以从样本中利用算法来获取，这里要讲述的就是 C4.5 算法。 利用 C4.5 算法获取规则可分为以下几个步骤： 1）多元文件的的构建：遥感数据经过几何校正、辐射校正处理后，进行波段运算，得到一些植被指数，连同影像一起输入空间数据库；其他空间数据经过矢量化、格式转换、地理配准，组成一个或多个多波段文件。 （2）提取样本，构建样本库：在遥感图像处理软件或者 GIS 软件支持下，选取合适的图层， 采用 算机自 点、人工解 影像 点等方法采集 本。 （3）分 挖掘与 价：在 本 的基 上采用适当的数据挖掘方法挖掘分 ，后 基于 价 本集 分 行 价 ，并 分 做出适当的 整和 。 里就是 C4.5 算法。 4.5 算法的基本思路  ,如下： 从 的根 点 的所有 本 D0 开始，离散化 条件属性。 算增益比率， 取 GainRatio （C0 ）的最大 作 划分点 V0 ，将 本分 两个部分 D11 和 D12。 属性 C0 的每一个 生一个分支， 分支属性 的相 本子集被移到新生成的子 点上， 如果得到的 本都属 于同一个 ， 那么直接得到叶子 点。相 地将此方法 用于每个子 点上，直到 点的所 有 本都分区到某个 中 。到达决策 的叶 点的每条路径表示一条分 ， 利用叶列表 及指向父 点的指 就可以生成 表。 2 挖掘基本思路算法描述如下： 算法：从空 数据集（多波段文件）中挖掘分 入： 本 出：分 表 方法： 一、 取数据集名字 二、 取所有的 本 A、 取属性信息 C、原始 E、 本 A，并将 本划分 本 （ 2/3）和 价 本 （ 1/3）。B、属性信息 C 可以是 （ DISCRETE ）或离散（ CONTINUOUS ）的，分 将属性注上 两种 ；若属性是 DISCERTE ， 取其可能取得 ，并都存 在一个列表中；每一个属性都有一个 ，一个 定的属性 号及初始化的取 列表均存 于一个属性的数据 构中，并将数据 构存 在一个哈希表中。 C、原始 E 当作一个附加属性信息 存在属性列表中。 D、以增量方式 取每一个 本 A ，将所有的 本 存在一个表中，每一行代表一个 本。 三、利用数据集构建 A 、离散化 条件属性  C DISCRETE ， 得的分割点集  T （ t1， t2  ??）作 条件属性  C 的新的取 。 B、分 算所有条件属性的增益比率 的划分 点，其 或范 作 划分  GainRatio （C），取增益比率 最大的条件属性作 V （ v1， v2?? ）来生成 的分枝。 C、判断 与每一个等价子集的原始 是否一致。若一致，生成叶子 点。否 ， 算增益比率 GainRatio（ C）和 条件属性 C，得到 的 点和划分 V ，直至所有的 本已分 完 。 四、 生成 将 本 C′ 入 中，当某一 本的分 ， 分 的 数，并将 本添加到 本中， 向步 三，重新构建 。否 ， 出分 五、抽取分类规则 到达树的叶节点的每条路径表示一条分类规则从树中抽取分类规则， 打印规则和分类的详细信息 C4.5  网上有源代码下载，  vc 和  c++ 版本都能获得。 Decision Tree 的使用 一、规则获取 选取 Landsat TM5 影像和这个地区对应的 DE