决策树及其在影像分类中的应用.doc

决策树及其在遥感影像分类中的应用 摘要：在充分了解决策二叉树分类过程的基础上，以西藏波密地区的TM遥感影像为研究对象，提取并分析各种典型地物的光谱特征，利用不同地物的光谱差异并结合人工目视判读建立了一组能够精确、快速划分遥感影像的分类规则。用ENVI建立分类决策树对实验区遥感影像进行分类，并将分类结果和传统的最大似然法相比较。结果表明：决策树分类的总体精度和Kappa分别为97.15%和0.9644，优于传统的最大似然法，取得了较为满意的分类结果。 关键词：决策树；遥感影像；最大似然法；分类；误差矩阵 Decision Tree and Its Application in Remote Sensing Image Classification Abstract: Taking Bomi county of Tibet as a case study area, the spectral characteristics of typical land-cover types from TM images were extracted and analyzed on the basis of a thorough understanding of decision tree making process, a set of accurately and fast rules for TM images classification has been established based on spectral characteristics diversity of different land-cover types and artificial visual interpretation. The classification decision tree was applied to classify the TM images in experimental area, and the classification results were compared with traditional maximum likelihood. The results show that: the overall accuracy and Kappa coefficient of decision tree reach 97.15% and 0.9644, respectively, which performance more excellent than the traditional maximum likelihood method and obtain a more satisfactory classification. Key words: decision tree; remote sensing image; maximum likelihood; classification; error matrix 0 引言 遥感是通过接收地物反射或者发射光谱信息而对其进行识别的一项空间技术，作为近年来最受重视的科学技术之一，其对地表进行监测具有常规监测手段无法比拟的宏观、快速、实时、经济等优点。对影像进行分类是将遥感技术应用于实际最重要的手段之一。传统的遥感影像分类方法多是在假设图像光谱服从某种分布的基础上、基于图像统计特征对影像进行划分的，如最大似然法、平行六面体法、ISODATA法和K-均值聚类法等。这些方法的概率分布假设在单一数据源中不一定成立，在多源数据情况下，其出现偏差的概率越大[1]。为了提高分类精度、丰富分类算法，上世纪90年代以来，具有较好容错能力的神经网络在遥感影像分类中取得了较为广泛的应用，目前在影像分类中使用得较多的包括BP神经网络[2-4]、径向基函数(RBF)神经网络[5-7]和概率神经网络[8-9]等。神经网络虽然为具有非线性、不确定性等特点的遥感影像分类开辟了一条新途径，但存在网络最优结构难以确定、易陷入局部极值和收敛速度较慢等缺点[10,11]。随着遥感技术的高速向前发展，人们面对的将是多来源、多波段的海量遥感数据，以及影像数据具有空间连续性、空间自相关性和存在误差等情况。传统的单一分类算法已不能满足高精度分类的要求。文中介绍的决策树是一种利用多源遥感数据对影像逐级划分的分类方法，其具有直观、清晰、运算效率高等优点，已在遥感影像分类领域发挥出重要的作用。 1 决策树分类方法概述 决策树分类算法的基本思想[12]是：按照一定的规则把遥感数据集逐级往下细分以得到具有不同属性的各个子类别。分类决策数由一个根节点(Root nodes)、一系列内部节点(Internal nodes)(分支)和终极节