決策樹(shù)分類器的實(shí)現(xiàn)及在遙感影像分類中的應(yīng)用.pdf

1、決策樹(shù)算法是數(shù)據(jù)挖掘中應(yīng)用最廣的歸納推理算法之一，其構(gòu)造不需要任何領(lǐng)域知識(shí)或參數(shù)設(shè)置，適合于探測(cè)式知識(shí)發(fā)現(xiàn)。決策樹(shù)算法具有結(jié)構(gòu)清晰、運(yùn)行速度快、準(zhǔn)確性高以及更好的靈活性和魯棒性，可以用于處理高維數(shù)據(jù)，其獲取的知識(shí)是直觀的且容易被人理解。目前決策樹(shù)算法已經(jīng)被廣泛的應(yīng)用于醫(yī)學(xué)、制造和生產(chǎn)、金融分析、天文學(xué)、分子生物學(xué)以及遙感影像分類等領(lǐng)域。
　　遙感影像分類是進(jìn)行遙感影像解譯的主要手段之一，其基本思想是通過(guò)對(duì)遙感影像中各類地物的光譜、

2、空間、幾何、紋理等信息的分析，選擇特征，利用一定的手段對(duì)影像中的每個(gè)像素或者是分割對(duì)象進(jìn)行歸類，按照分類對(duì)象的不周，可以分為基于像元和面向?qū)ο髢煞N。為了減少人工工作量，提高分類效率，最鄰近、最大似然、支持向量機(jī)、模糊聚類、決策樹(shù)和神經(jīng)網(wǎng)絡(luò)等分類算法作為分類手段被廣泛應(yīng)用于基于像元的分類方法中，同時(shí)在面向?qū)ο蠓诸愔校彩褂昧俗钹徑?、隸屬度函數(shù)、支持向量機(jī)和決策樹(shù)等分類算法。當(dāng)遙感影像數(shù)據(jù)特征的空間分布很復(fù)雜，利用決策樹(shù)算法往往能獲得理想的

3、分類結(jié)果，且其生成的決策樹(shù)或規(guī)則集可以供專家分析和修正，并輸入到專家系統(tǒng)中。
　　目前已經(jīng)有很多研究者將多種決策樹(shù)算法成功應(yīng)用于遙感影像分類中。但是在這些研究中，決策樹(shù)的生成大多依賴于現(xiàn)有的數(shù)據(jù)挖掘軟件，缺少對(duì)決策樹(shù)算法的深入研究和改進(jìn)，也缺少相應(yīng)的分類軟件。本文在對(duì)決策樹(shù)生成算法和boosting推進(jìn)技術(shù)研究的基礎(chǔ)上，以BoostTree算法為基礎(chǔ)，通過(guò)算法改進(jìn)，構(gòu)建了AdaTree.WL算法。然后以該算法為基礎(chǔ)研發(fā)了決策樹(shù)遙感

4、影像分類系統(tǒng)。依托該系統(tǒng)分別對(duì)LandsatETM+和WorldView-2影像進(jìn)行了基于像元和面向?qū)ο蠓诸?，并與其它分類算法進(jìn)行了比較。主要研究?jī)?nèi)容和成果如下:
　　(1)通過(guò)對(duì)多種決策樹(shù)算法的研究、比較和分析，以復(fù)合決策樹(shù)BoostTree思想為基礎(chǔ)，首先根據(jù)遙感影像分類的特點(diǎn)，構(gòu)造了新的單棵決策樹(shù)生成算法，該算法可以看作是對(duì)C4.5算法的改進(jìn);然后改進(jìn)了AdaBoost算法與決策樹(shù)的結(jié)合方式以及最終的預(yù)測(cè)函數(shù)，最終構(gòu)造了本文

5、中的組合決策樹(shù)算法AdaTree.WL，并利用該算法設(shè)計(jì)實(shí)現(xiàn)了GLC樹(shù)分類器。
　　(2)分析總結(jié)了當(dāng)下流行的遙感影像分類方法，根據(jù)遙感影像分類原理，將上述決策樹(shù)算法成功應(yīng)用于基于像元和面向?qū)ο髢煞N遙感影像分類方法中，并進(jìn)行了相應(yīng)的軟件設(shè)計(jì)與實(shí)現(xiàn)。該軟件不僅實(shí)現(xiàn)了基于像元的遙感影像分類，并且可以在獲得影像分割的基礎(chǔ)上，實(shí)現(xiàn)對(duì)分割結(jié)果的自動(dòng)分類，克服了以往利用決策樹(shù)進(jìn)行遙感影像分類時(shí)依賴現(xiàn)有數(shù)據(jù)挖掘軟件的問(wèn)題。
　　(3)利用

6、Landsat7ETM+影像和WorldView-2影像分別進(jìn)行了基于像元和面向?qū)ο蠓诸悓?shí)驗(yàn)。試驗(yàn)中，分別將本文所構(gòu)建的AdaTree.WL算法同BoostTree、C5.0決策樹(shù)算法，以及支持向量機(jī)分類算法進(jìn)行了比較。實(shí)驗(yàn)表明，本文構(gòu)造的決策樹(shù)分類算法在分類精度上與C5.0算法在伯仲之間，并優(yōu)于上述其它算法，平均Kappa系數(shù)分別達(dá)到0.9052和0.9398。同時(shí)利用AdaTree.WL算法進(jìn)行遙感影像分類，可以通過(guò)計(jì)算特征貢獻(xiàn)度的