一种基于决策树方法的遥感影像分类研究.pdf

2016 年 8 月 地理空间信息 Aug.,2016 第 14 卷第 8 期 GEOSPATIAL INFORMATION Vol.14,No.8 doi:10.3969/j.issn.1672-4623.2016.08.017 一种基于决策树方法的遥感影像分类研究 1 2 1 3 陈  超 ，赫春晓 ，石善球 ，周绍光 （1. 江苏省基础地理信息中心，江苏 南京 210013 ；2. 江苏省测绘研究所，江苏 南京 210013 ； 3. 河海大学 地球科学与工程学院，江苏 南京 210098） 摘  要：以江苏省泗阳县的 QuickBird 影像为研究对象，基于影像的光谱信息、纹理信息、植被指数，采用 CArT 决策树对影 像进行分类，并将结果与最大似然分类结果进行比较。结果表明，此方法分类精度与 Kappa 系数均得到提高。 关键词：影像分类 ；决策树 ；植被指数 ；纹理特征 中图分类号：P237 文献标志码：B 文章编号：1672-4623（2016）08-0050-02 从遥感影像中识别各类地物是遥感领域的一项重 要研究内容。传统方法主要利用影像的光谱特征来进 行分类，但这种方法会出现较多的错分、漏分 [1] ；神 经网络在影像分类中也取得了广泛应用，但这种方法 的网络最优结构难以确定、收敛速度慢 [2-3] 。 决策树算法是一种监督分类方法，该方法基于知 a 多光谱影像 b 全色影像 识发现与数据挖掘，无需任何先验条件、假设条件即 可融合影像的各种知识生成分类规则，因而在遥感信 息提取和影像分类中得到了广泛的应用 [4-7] 。 本文以江苏省泗阳县的 QuickBird 全色和多光谱 影像为实验数据。对影像进行预处理后利用光谱信息、 c 融合影像 d 拉伸后影像 纹理信息以及植被指数构成待分类多波段数据 ；然后 图1  影像预处理 利用 CArT 决策树方法从选取的样本数据中获取分类 2  CART决策树分类 规则，并完成分类 ；最后将本文方法与传统的最大似 然分类法进行比较，并进行精度评价。 决策树是一种分类预测方法，通过生成一系列二 叉决策将像元分类，每个新类通过二叉决策树再次被 1  影像预处理 分为两类。依此类推，直到不再满足分类规则为止。 使用的实验数据包括全色和多光谱影像，预处理 Breiman[8] 于 1984 年 提 出 了 决 策 树 构 建 算 法 时首先利用 GS 方法融合影像，以提高多光谱影像的 CArT，CArT 采用经济学中的基尼系数作为测试变 空间分辨率 ；然后对融合影像进行增强处理，这样可 量的准则，通过循环分析样本数据以获取二叉树形式 以改善影像分类效果、提高可解译性，使应用者更容 的决策树结构。 易地从影像上获取感兴趣的信息。最后通过分析融合 J 2