決策樹分類器的實現(xiàn)及在遙感影像分類中的應用.pdf

1、決策樹算法是數據挖掘中應用最廣的歸納推理算法之一，其構造不需要任何領域知識或參數設置，適合于探測式知識發(fā)現(xiàn)。決策樹算法具有結構清晰、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據，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被廣泛的應用于醫(yī)學、制造和生產、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對象兩種。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、決策樹和神經網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，同時在面向對象分類中，也使用了最鄰近、隸屬度函數、支持向量機和決策樹等分類算法。當遙感影像數據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)有的數據挖掘軟件，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對象分類，并與其它分類算法進行了比較。主要研究內容和成果如下:
　　(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，首先根據遙感影像分類的特點，構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算法與決策樹的結合方式以及最終的預測函數，最終構造了本文

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)分析總結了當下流行的遙感影像分類方法，根據遙感影像分類原理，將上述決策樹算法成功應用于基于像元和面向對象兩種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)有數據挖掘軟件的問題。
　　(3)利用

6、Landsat7ETM+影像和WorldView-2影像分別進行了基于像元和面向對象分類實驗。試驗中，分別將本文所構建的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