资源描述：
《决策树分类法及其在遥感图像处理中的应用》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、第33卷第1期测绘科学Vol33No12008年1月ScienceofSurveyingandMappingJan决策树分类法及其在遥感图像处理中的应用潘琛,杜培军,张海荣(中国矿业大学地理信息与遥感科学系,江苏徐州221008)摘要首先阐述了决策树分类器的结构与理论基础,并就决策树算法的发展趋势进行了归纳总结。然后结合遥感图像分类的特点,探讨了决策树分类法的实现方法和关键问题。在此基础上,以徐州市TM影像为数据进行了分类试验。试验说明了决策树分类法在遥感图像处理中的具体实现过程,并且试验结果表明该方法在依据感兴趣区类别进行图像分类时效果较好。关键词决
2、策树分类;遥感;ID3算法;C45算法;应用中图分类号TP75文献标识码A文章编号1009-2307(2008)01-0208-04DOI:103771/jissn1009-2307200801065(Rootnodes)、一系列内部节点(Internalnodes)和分1引言支以及若干个叶节点(Terminalnodes)组成,每个内随着遥感技术的快速发展,遥感信息在科学研究部节点只有一个父节点和两个或多个子节点,节点和和国民经济中的应用越来越受到各行各业的重视。遥子节点之间形成分支。其中树的每个内部节点代表一感图像分类则是遥感应
3、用中最重要的信息处理手段个决策过程中所要测试的属性;每个分支代表测试的之一。一个结果,不同属性值形成不同分支;而每个叶节点图像分类目的是将图像中每个像元根据其在不同就代表一个类别,即图像的分类结果。树的最高层节[3-6]波段的光谱亮度、空间结构特征或者其他信息,按照点称为根节点,是整个决策树的开始。图1就是[1]某种规则或算法划分为不同的类别。然而,由于一棵用于遥感影像分类的二叉决策分类器的简单示意同谱异物、同物异谱现象的存在,单纯地利用图。从中可以看到决策树的基本组成部分:根节点、光谱反射特性或图像亮度值提取地物,尤其对两类反节点、分支和叶节点。射特性相似的地物
4、,势必会造成分类的混淆和错误。决策树是一种直观的因此,传统的分类方法往往在地形和地物过于破碎和知识表示方法,同时也是复杂的情况下,处理复杂的多维时相难以满足精度的高效的分类器。它以信息[2]要求。20世纪90年代后期,数据挖掘技术的兴起论为基础,将复杂的决策使得决策树作为构建决策系统的强有力的技术而重新形成过程抽象成易于理解[3]被认识,也给遥感图像分类带来了新的思路和方和表达的规则或判断。此法。决策树分类法具有直观、清晰、计算效率高等特方法利用信息论中的信息点,特别在处理多维属性时可以通过确定各个属性的增益寻找示例数据库中具重要程度,提取一些最有价值的属性,以此作为分类
5、有最大信息量的属性字图1决策树简单示意图判据。段,形成一条规则以此建立决策树的一个节点,依据这条规则对指定遥感图像2决策树分类器进行运算,所产生的逻辑值(真或假)派生出两类结21概念果,即形成两个分支,或根据属性的不同取值形成多决策树(DecisionTree),顾名思义就是一个类似个分支,该过程可向下继续拓展,直至图像分出类别于流程图的树型结构。一个决策树由一个根节点[7-9](叶节点)。这种以自顶向下递归的方式构造判定[5]决策树的方法称之为贪心算法。理想的决策树有3个要求:最优覆盖问题作者简介:潘琛(1981-),女,江苏(MCV)生成最少数目的
6、公式(合取式);最简单公式问题(MCOMP)生成具有最少数目选择子徐州人,在读硕士,专业摄影测量及属性值的公式;最优示例学习问题生成只有与遥感。E-mai:lcumtpanpan@126com最简单公式的最优覆盖。但是,洪家荣于1985年首[9-11]次证明了理想的最优决策树是一个NP-hard问题收稿日期::2006-11-2022决策树算法发展趋势基金项目:江苏省自然科学基金(编国际上最早、最有影响的决策树方法是号BK2006505);徐州市科技基金Quinlan1970s提出的ID3算法。它建立在20世纪60(编号X20052394)和中国矿
7、业大学至70年代的推理系统和概念学习系统的坚实基础之科学基金(编号2005B018,D200403)上,是一个典型的决策树学习系统。而C45是针对第1期潘琛等决策树分类法及其在遥感图像处理中的应用209ID3算法的不足,由Quinlan(1993)在其基础上改进提高其分类精度。同时,由于每次只对一个或几个属[4,8,12-14]提出的,目前被普遍采用。性进行运算,这样大大简化了参加分类的自变量的[1]随着数据挖掘领域的发展和决策树算法的不断改维数。进,决策树技术已经取得了较大的发展。但是面对数2)
