基于改進(jìn)隨機(jī)聚類決策森林算法的遙感影像分類研究.pdf

1、遙感影像分類是遙感應(yīng)用技術(shù)體系中最基礎(chǔ)和最重要的工作。遙感分類技術(shù)的不斷發(fā)展促進(jìn)了遙感在眾多領(lǐng)域的普及與應(yīng)用;生態(tài)環(huán)境、國(guó)土資源、城鄉(xiāng)發(fā)展、軍事與國(guó)防等更多領(lǐng)域?qū)b感應(yīng)用的實(shí)際需求，對(duì)遙感分類理論、技術(shù)與方法提出了更高要求。幾十年來，遙感影像分類在理論和技術(shù)方面都取得了長(zhǎng)足的發(fā)展，但是仍不能滿足大范圍實(shí)際應(yīng)用的需要。由于遙感分類所依賴的影像會(huì)受到如研究區(qū)地表復(fù)雜度、物候特征、遙感傳感器類別、影像預(yù)處理方法等諸多因素的影響，遙感自動(dòng)分類始

2、終是一項(xiàng)難度極高和極具挑戰(zhàn)性的研究課題。
　　 本文在對(duì)機(jī)器學(xué)習(xí)領(lǐng)域隨機(jī)聚類決策森林算法進(jìn)行多方面改進(jìn)的基礎(chǔ)上，將該決策分類算法引入遙感影像分類，在提高遙感影像分類效果、滿足實(shí)際應(yīng)用需求等方面取得了一定進(jìn)展。本文的主要?jiǎng)?chuàng)新和研究?jī)?nèi)容如下:
　　 (1)針對(duì)遙感分類算法的構(gòu)建，對(duì)機(jī)器學(xué)習(xí)領(lǐng)域的隨機(jī)聚類決策森林算法進(jìn)行了改進(jìn)，包括:為避免決策樹結(jié)構(gòu)中各子樹分布極不平衡的情況出現(xiàn)，添加樹平衡系數(shù);為提高運(yùn)算效率，對(duì)葉節(jié)點(diǎn)的節(jié)點(diǎn)

3、不純度予以調(diào)整;為防止分類精度的損失，在決策樹層數(shù)設(shè)置方面進(jìn)行優(yōu)化;為降低運(yùn)算復(fù)雜度，結(jié)合隨機(jī)聚類決策森林算法自身的特點(diǎn)，采用決策預(yù)剪枝技術(shù)等多項(xiàng)改進(jìn)。
　　 (2)對(duì)隨機(jī)聚類決策森林算法和改進(jìn)后的隨機(jī)聚類決策森林算法，采用多光譜影像進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果表明雖然在總體分類精度方面，改進(jìn)算法比原算法僅提高了1％;但在運(yùn)算效率方面，改進(jìn)算法提高了大約23.4％。
　　 (3)將改進(jìn)隨機(jī)聚類決策森林算法與五種經(jīng)典遙感分類方法進(jìn)行

4、比較，結(jié)果顯示:改進(jìn)算法的分類精度比最大似然法提高了4％，比平行六面體法、M距離法、最小距離法的精度分別高出26％、16％和14％左右。
　　 (4)將改進(jìn)隨機(jī)聚類決策森林算法應(yīng)用于高光譜遙感影像分類，對(duì)比常用的最大似然法、支持向量機(jī)方法以及神經(jīng)網(wǎng)絡(luò)方法，我們看到:支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)方法以及最大似然法各有優(yōu)劣，但都必須對(duì)影像先進(jìn)行降維處理，而改進(jìn)的隨機(jī)決策聚類森林算法構(gòu)建的分類器則顯現(xiàn)出結(jié)構(gòu)簡(jiǎn)單、訓(xùn)練容易、具有更高分類精度的優(yōu)

5、勢(shì)。
　　 (5)將改進(jìn)隨機(jī)聚類決策森林算法與面向?qū)ο蠓椒ńY(jié)合，利用eCognition商業(yè)軟件完成影像分割后，針對(duì)導(dǎo)出的分割對(duì)象，用改進(jìn)隨機(jī)聚類決策森林算法與eCognition所提供的多種分類算法進(jìn)行比較，實(shí)驗(yàn)結(jié)果表明:在訓(xùn)練樣本相同的情況下，改進(jìn)的隨機(jī)聚類決策森林算法的分類精度提高了5％。
　　 綜上所述，將改進(jìn)隨機(jī)聚類決策森林算法應(yīng)用于多光譜遙感影像、高光譜遙感影像和面向?qū)ο筮b感影像分類中，均表現(xiàn)出較為理想的分類