遥感影像专家知识的决策树分类文档格式.docx

1、4.分类后处理这步骤与监视/非监视分类的分类后处理类似。知识规那么定义分类规那么获取的途径比拟灵敏，如从经历中获得，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，这里要讲述的就是算法。利用算法获取规那么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，进展波段运算，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，选取适宜的图层，采用计算机自动选点、人工解译影像选点等方法采集样本。3分类规那么挖掘与评价：在样本库的根底

2、上采用适当的数据挖掘方法挖掘分类规那么，后基于评价样本集对分类规那么进展评价，并对分类规那么做出适当的调整和挑选。这里就是算法。算法的根本思路基于信息熵来“修枝剪叶，根本思路如下：从树的根节点处的所有训练样本D0开场，离散化连续条件属性。计算增益比率，取GainRatioC0的最大值作为划分点V0，将样本分为两个部分D11和D12。对属性C0的每一个值产生一个分支，分支属性值的相应样本子集被移到新生成的子节点上，假如得到的样本都属于同一个类，那么直接得到叶子结点。相应地将此方法应用于每个子节点上，直到节点的所有样本都分区到某个类中。到达决策树的叶节点的每条途径表示一条分类规那么，利用叶列表及指

3、向父结点的指针就可以生成规那么表。图2 规那么挖掘根本思路算法描绘如下：算法：从空间数据集多波段文件中挖掘分类规那么输入：训练样本输出：分类规那么表方法：一、读取数据集名字二、读取所有的训练样本A、读取属性信息C、原始类E、样本值A，并将样本划分为训练样本2/3和评价样本1/3。B、属性信息C可以是连续DISCRETE或离散CONTINUOUS的，分别将属性注上这两种标记；假设属性是DISCERTE，读取其可能获得值，并都存储在一个列表中；每一个属性都有一个标记，一个给定的属性编号及初始化的取值列表均存储于一个属性的数据构造中，并将数据构造存储在一个哈希表中。C、原始类E当作一个附加属性信息储

4、存在属性列表中。D、以增量方式读取每一个样本A，将所有的样本储存在一个表中，每一行代表一个样本。三、利用数据集构建树A、离散化连续条件属性C DISCRETE，获得的分割点集Tt1，t2作为条件属性C的新的取值。B、分别计算所有条件属性的增益比率GainRatioC，取增益比率值最大的条件属性作为树的划分节点，其值或范围作为划分值Vv1，v2来生成树的分枝。C、判断该层与每一个等价子集的原始类类别是否一致。假设一致，生成叶子结点。否那么，继续计算增益比率GainRatioC和选择条件属性C，得到树的节点和划分值V，直至所有的样本已分类完毕。四、测试生成树将测试样本C带入树中，当某一测试样本的分

5、类预测错误时，记录分类错误的计数，并将测试样本添加到训练样本中，转向步骤三，重新构建树。否那么，输出分类树五、抽取分类规那么到达树的叶节点的每条途径表示一条分类规那么从树中抽取分类规那么，打印规那么和分类的详细信息网上有源代码下载，vc和c+版本都能获得。Decision Tree的使用一、规那么获取选取Landsat TM5影像和这个地区对应的DEM数据，影像和DEM经过了准确配准。规那么如下描绘：Class1朝北缓坡植被:NDVI0.3, slope20, aspect270Class2非朝北缓坡植被：20, 90=aspect=20,Class4水体：NDVI=0.3, 0b4=20Cl

6、ass6无数据区，背景: NDVIclassification-Decision Tree-Build New Decision Tree,如图3所示，默认显示了一个节点。图3 Decision Tree界面首先我们按照NDVI的大小划分第一个节点，单击Node1，跳出图4对话框，Name为，在Expression中填写：ndvi gt。图4 添加规那么表达式点击OK后，会提示你给ndvi指定一个数据源，如图5所示，点击第一列中的变量，在对话框中选择相应的数据源，这样就完成第一层节点规那么输入。图图5 指定数据源Expression中的表达式是有变量和运算符包括数学函数组成，支持的运算符如表1

7、所示表达式部分可用函数根本运算符+、-、*、/三角函数正弦Sin（x）、余弦cos（x）、正切tan（x）反正弦Asin（x）、反余弦acos（x）、反正切atan（x）双曲线正弦Sinh（x）、双曲线余弦cosh（x）、双曲线正切tanh（x）关系/逻辑小于LT、小于等于LE、等于EQ、不等于NE、大于等于GE、大于GTand、or、not、XOR最大值、最小值 （）其他符号指数、自然指数exp自然对数对数alog（x）以10为底的对数alog10（x）整形取整round（x）、ceil（x）平方根sqrt、绝对值adb表1 运算符ENVI决策树分类器中的变量是指一个波段的数据或作用于数据的

8、一个特定函数。变量名必须包含在大括号中，即变量名；或者命名为bx，x代表数据，比方哪一个波段。假如变量被赋值为多波段文件，变量名必须包含一个写在方括号中的下标，表示波段数，比方pc2表示主成分分析的第一主成分。支持特定变量名如表2，也可以通过IDL自行编写函数。变量作用slope计算坡度aspect计算坡向ndvi计算归一化植被指数Tascap n穗帽变换，n表示获取的是哪一分量。pc n主成分分析，n表示获取的是哪一分量。lpcn部分主成分分析，n表示获取的是哪一分量。mnf n最小噪声变换，n表示获取的是哪一分量。Lmnfn部分最小噪声变换，n表示获取的是哪一分量。Stdev波段n的标准差

9、lStdev波段n的部分标准差Mean波段n的平均值lMean波段n的部分平均值Min n、max波段n的最大、最小值lMin n、lmax波段n的部分最大、最小值表2变量表达式第一层节点根据NDVI的值划分为植被和非植被，假如不需要进一步分类的话，这个影像就会被分成两类：class0和class1。对NDVI大于，也就是class1，根据坡度划分成缓坡植被和陡坡植被。在class1图标上右键，选择Add Children。单击节点标识符，翻开节点属性窗口，Name为SlopeExecute，执行决策树，跳出图7所示对话框，选择输出结果的投影参数、重采样方法、空间裁剪范围如需要、输出途径，点击OK之后，得到如图8所示结果。在决策树运行过程中，会以不同颜色标示运行的过程。图7 输出结果图8 决策树运行结果回到决策树窗口，在工作空白处点击右键，选择Zoom In，可以看到每一个节点或者类别有相应的统计结果以像素和百分比表示。假如修改了某一节点或者类别的属性，可以左键单击节点或者末端类别图标，选择Execute，重新运行你修改部分的决策树。图9 运行决策树后的效果分类后处理和其他计算机分类类似的过程。