決策樹分類器的實現(xiàn)及在遙感影像分類中的應用.pdf

1、決策樹算法是數(shù)據(jù)挖掘中應用最廣的歸納推理算法之一，其構(gòu)造不需要任何領域知識或參數(shù)設置，適合于探測式知識發(fā)現(xiàn)。決策樹算法具有結(jié)構(gòu)清晰、運行速度快、準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)，其獲取的知識是直觀的且容易被人理解。目前決策樹算法已經(jīng)被廣泛的應用于醫(yī)學、制造和生產(chǎn)、金融分析、天文學、分子生物學以及遙感影像分類等領域。
　　遙感影像分類是進行遙感影像解譯的主要手段之一，其基本思想是通過對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，利用一定的手段對影像中的每個像素或者是分割對象進行歸類，按照分類對象的不周，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、模糊聚類、決策樹和神經(jīng)網(wǎng)絡等分類算法作為分類手段被廣泛應用于基于像元的分類方法中，同時在面向?qū)ο蠓诸愔校彩褂昧俗钹徑?、隸屬度函數(shù)、支持向量機和決策樹等分類算法。當遙感影像數(shù)據(jù)特征的空間分布很復雜，利用決策樹算法往往能獲得理想的

3、分類結(jié)果，且其生成的決策樹或規(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算法成功應用于遙感影像分類中。但是在這些研究中，決策樹的生成大多依賴于現(xiàn)有的數(shù)據(jù)挖掘軟件，缺少對決策樹算法的深入研究和改進，也缺少相應的分類軟件。本文在對決策樹生成算法和boosting推進技術研究的基礎上，以BoostTree算法為基礎，通過算法改進，構(gòu)建了AdaTree.WL算法。然后以該算法為基礎研發(fā)了決策樹遙感

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

5、中的組合決策樹算法AdaTree.WL，并利用該算法設計實現(xiàn)了GLC樹分類器。
　　(2)分析總結(jié)了當下流行的遙感影像分類方法，根據(jù)遙感影像分類原理，將上述決策樹算法成功應用于基于像元和面向?qū)ο髢煞N遙感影像分類方法中，并進行了相應的軟件設計與實現(xiàn)。該軟件不僅實現(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上，實現(xiàn)對分割結(jié)果的自動分類，克服了以往利用決策樹進行遙感影像分類時依賴現(xiàn)有數(shù)據(jù)挖掘軟件的問題。
　　(3)利用

6、Landsat7ETM+影像和WorldView-2影像分別進行了基于像元和面向?qū)ο蠓诸悓嶒?。試驗中，分別將本文所構(gòu)建的AdaTree.WL算法同BoostTree、C5.0決策樹算法，以及支持向量機分類算法進行了比較。實驗表明，本文構(gòu)造的決策樹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)分別達到0.9052和0.9398。同時利用AdaTree.WL算法進行遙感影像分類，可以通過計算特征貢獻度的