遥感专题讲座影像信息提取三基于专家知识的决策树分类Word文档下载推荐.docx

1、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

2、、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）分类规则挖掘与评价：在样本库的基础上采用适当的数据挖掘方法挖掘分类规则，后基于评价样本集对分类规则进行评价，并对分类规则做出适当的调整和筛选。这里就是C4.5算法。 4.5算法的基本思路基于信息熵来“修枝剪叶”，基本思路如下： 从树的根节点处的所有训练样本D0开始，离散化连续条件属性。计算增益比率，取GainRatio（C0）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

3、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，如果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路径表示一条分类规则，利用叶列表及指向父结点的指针就可以生成规则表。下载 （10.36 KB）图2 规则挖掘基本思路算法描述如下：算法：从空间数据集（多波段文件）中挖掘分类规则输入：训练样本输出：分类规则表方法：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

4、离散（CONTINUOUS）的，分别将属性注上这两种标记；若属性是DISCERTE，读取其可能取得值，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结构中，并将数据结构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T（t1，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GainRatio（C），取增益比率值最大的条件属性作为树的划分节点，

5、其值或范围作为划分值V（v1，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。若一致，生成叶子结点。否则，继续计算增益比率GainRatio（C）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。否则，输出分类树五、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La

6、ndsat TM5影像和这个地区对应的DEM数据，影像和DEM经过了精确配准。规则如下描述：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=20Class6（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。下载 （17.29 KB）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

7、出图4对话框，Name为NDVI0.3，在Expression中填写：ndvi gt 0.3。下载 （12.02 KB）图4 添加规则表达式 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则输入。下载 （15.15 KB）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所示表达式部分可用函数基本运算符 +、-、*、/ 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Si

8、nh（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，比如哪一个波段。如果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

9、标，表示波段数，比如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局部主成分分析，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局部最小噪声变换，n表示获取的是哪一分量。Stdev波段n的标准差 lStdev波段n的局部标准差Mean波段n的平均值 lMean波段n的局部平均值Min n、max波段n的最大、最小值 lMin n、l

10、max波段n的局部最大、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，如果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0.3，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，打开节点属性窗口，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）、输出路径，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。下载 （15.81 KB）图7 输出结果下载 （53.83 KB）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）。如果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。下载 （18.61 KB）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。