《ENVI决策树分类I决策树I决策树.docx》由会员分享，可在线阅读，更多相关《ENVI决策树分类I决策树I决策树.docx（14页珍藏版）》请在三一文库上搜索。
1、遥感专题讲座一一影像信息提取（三、基于专家知识的决策树分类）基于专家知识的决策树分类可以将多源数据用于影像分类当中，这就是专家知识的决策树分类器，本专题以ENVI中Decision Tree为例来叙述这一分类器。本专题包括以下内容：专家知识分类器概述知识（规则）定义ENVI中 Decision Tree的使用概述基于知识的决策树分类是基于遥感影像数据及其他空间数据， 通过专家经 验总结、简单的数学统计和归纳方法等，获得分类规则并进行遥感分类。分类规 则易于理解，分类过程也符合人的认知过程，最大的特点是利用的多源数据。如图1所示，影像+DEM就能区分缓坡和陡坡的植被信息，如果添加其他数据，如区域
2、图、道路图土地利用图等，就能进一步划分出那些是自然生长的植被，那些是公园植被。陡坡上的植裱嫌坡上的植羊Landcover高山植被公园用地cs ossification 专家分类提供了土地利用而不仅 仅是土地覆盖I： _ _ ft图1专家知识决策树分类器说明图专家知识决策树分类的步骤大体上可分为四步：知识（规则）定义、规则输入、决策树运行和分类后处理。1 .知识（规则）定义规则的定义是讲知识用数学语言表达的过程， 可以通过一些算法 获取，也可以通过经验总结获得。2 .规则输入将分类规则录入分类器中，不同的平台有着不同规则录入界面。3 .决策树运行运行分类器或者是算法程序04 .分类后处理这步骤与
3、监督/非监督分类的分类后处理类似。知识（规则）定义分类规则获取的途径比较灵活，如从经验中获得，坡度小于20度，就 认为是缓坡，等等。也可以从样本中利用算法来获取，这里要讲述的就是算法。利用算法获取规则可分为以下几个步骤：(1)多元文件的的构建：遥感数据经过几何校正、辐射校正处理后，进 行波段运算，得到一些植被指数，连同影像一起输入空间数据库；其他空间数据 经过矢量化、格式转换、地理配准，组成一个或多个多波段文件。(2)提取样本，构建样本库：在遥感图像处理软件或者 GIS软件支持下， 选取合适的图层，采用计算机自动选点、人工解译影像选点等方法采集样本。(3)分类规则挖掘与评价：在样本库的基础上采
4、用适当的数据挖掘方法挖掘分类规则，后基于评价样本集对分类规则进行评价，并对分类规则做出适当的调整和筛选。这里就是算法。算法的基本思路基于信息嫡来“修枝剪叶”，基本思路如下：从树的根节点处的所有训练样本 D0开始，离散化连续条件属性。计算增益比率，取GainRatio (CO)的最大值彳为划分点V0,将样本分为两个部分D11 和D12对属性C0的每一个值产生一个分支，分支属性值的相应样本子集被移 到新生成的子节点上，如果得到的样本都属于同一个类，那么直接得到叶子结点。 相应地将此方法应用于每个子节点上，直到节点的所有样本都分区到某个类中。到达决策树的叶节点的每条路径表示一条分类规则，利用叶列表及
5、指向父结点的 指针就可以生成规则表。D七 第二次划分原始数据.第一次划分图2规则挖掘基本思路算法描述如下：算法：从空间数据集（多波段文件）中挖掘分类规则输入：训练样本输出：分类规则表方法：一、读取数据集名字二、读取所有的训练样本A、读取属性信息G原始类E、样本值A,并将样本划分为训练样本（2/3 ）和评价样本（1/3 ）。B、属性信息C可以是连续（DISCRETE或离散（CONTINUOUS勺，分别将属性注上这两种标记；若属性是 DISCERTE读取其可能取得值，并都存储在一个列表中；每一个属性都有一个标记，一个给定的属性编号及初始化的取值列表均存储于一个属性的数据结构中，并将数据结构存储在一
6、个哈希表中。G原始类E当作一个附加属性信息储存在属性列表中。D以增量方式读取每一个样本 A,将所有的样本储存在一个表中，每一行代表一个样本。三、利用数据集构建树A、离散化连续条件属性C DISCRETE获得的分割点集T （t1 , t2）作为条件属性C的新的取值。B、分别计算所有条件属性的增益比率 GainRatio （C）,取增益比率值最大的条 件属性作为树的划分节点，其值或范围作为划分值V（v1, v2）来生成树的分枝。C、判断该层与每一个等价子集的原始类类别是否一致。若一致，生成叶子结点。否则，继续计算增益比率GainRatio （C）和选择条件属性C,得到树的节点和划 分值V,直至所有
7、的样本已分类完毕。四、测试生成树将测试样本C带入树中，当某一测试样本的分类预测错误时，记录分类错误的 计数，并将测试样本添加到训练样本中，转向步骤三，重新构建树。否则，输出 分类树五、抽取分类规则到达树的叶节点的每条路径表示一条分类规则从树中抽取分类规则，打印规则和分类的详细信息网上有源代码下载，vc和C+版本都能获得。Decision Tree 的使用一、规则获取选取Landsat TM做像和这个地区对应的 DEMK据，影像和DEMS过了精 确配准。规则如下描述：Class1 （朝北缓坡植被）：NDVI, slope20, aspect270Class2 （非朝北缓坡植被）：NDVI, sl
8、ope20, 90=aspect, slope=20,Class4 （水体）：NDVI=, 0b420Class5 （裸地）：NDVI=20Class6 （无数据区，背景）：NDVIclassification-DecisionTree-Build NewDecisionTree,如图3所示，默认显示了一个节点。图 3 Decision Tree 界面首先我们按照NDVI的大小划分第一个节点，单击 Nodel,跳出图4对话框，Name NDVI,在 Expression 中填写：ndvi gt 。图4添加规则表达式点击OK后，会提示你给ndvi指定一个数据源，如图5所示，点击第一 列中的变量，
9、在对话框中选择相应的数据源，这样就完成第一层节点规则输入。图5指定数据源Expression中的表达式是有变量和运算符(包括数学函数)组成，支持的运算符如表1所示表辽式部分可用函数基本运算符+、-、*、/三角函数正弦 Sin(x)、余弦 cos(x)、正 切tan(x)反正弦Asin(x)、反余 弦 acos(x)、反正切 atan(x)双曲线正弦Sinh(x)、双曲线余 弦cosh(x)、双曲线正切tanh(x)关系/逻辑小于LT、小于等于LE、等于EQ 不等于NE大于等于GE大于 GTand、or、not、XORft大值()、 最小值()其他符号指数(A)、自然指数exp自然对 数对数al
10、og(x) 以10为底的对 数alog10(x)整形取整 round(x)、ceil(x) 平(sqrt )、绝对值(adb)表1运算符ENVI决策树分类器中的变量是指一个波段的数据或作用于数据的一个特 定函数。变量名必须包含在大括号中，即变量名;或者命名为bx, x代表数据,比如哪一个波段。如果变量被赋值为多波段文件，变量名必须包含一个写在方括 号中的下标，表示波段数，比如pc2表示主成分分析的第一主成分。支持特定变量名如表2,也可以通过IDL自行编写函数变量作用slope计算坡度aspect计算财ndvi计算归一化植被指数Tascap n穗帽变换，n表示状取的是哪一分量。pc n主成分分析
11、，n表小获取的是哪一分量。lpc n局部主成分分析，n表示获 取的是哪一分量。mnf n最小噪声艾换，n表小获取 的是哪一分量。Lmnfn局部最小噪声变换，n表小 获取的是哪一分量。Stdev n波段n的标准差lStdev n波段n的局部标准差Meann波段n的平均值lMean n波段n的局部平均值Min n、maxn波段n的最大、最小值lMin n、 lmax n波段n的局部最大、最小值表2变量表达式第一层节点根据NDVI的值划分为植被和非植被，如果不需要进一步分类的话，这个影像就会被分成两类：class0和classl。对NDVI大于，也就是classl ,根据坡度划分成缓坡植被和陡坡植被
12、。在classl图标上右键，选择Add Children 。单击节点标识符，打开节点属性窗口，Name为 SlopeExecute ,执行决策树，跳出图7所示对话框，选择输出结果的投影参数、重采样方法、空间裁剪范围（如需要）、输出路径，点击0空后，得到如图8所示结果。在决策树运行过程中，会以不同颜色标示运行的过程。图7输出结果? 11 Bnd 1 : ItMtury L J国回闿图8决策树运行结果回到决策树窗口，在工作空白处点击右键，选择 Zoomln ,可以看到每一 个节点或者类别有相应的统计结果（以像素和百分比表示）。如果修改了某一节 点或者类别的属性，可以左键单击节点或者末端类别图标，选择 Execute ,重新 运行你修改部分的决策树。图9运行决策树后的效果分类后处理和其他计算机分类类似的过程