基于决策树遥感像分类方法浅析毕业论文.docVIP

毕业设计（论文） 学 生 姓 名： 学 号： 专 业： 摄影测量与遥感 系 部： 资 源 科 学 系 设计(论文)题目： 基于决策树遥感图像分类方法浅析 指 导 教 师: 2012 年 6 月 7日 摘 要：在遥感技术的研究中，通过遥感图像判读识别各种目标地物是遥感技术发展的一个重要环节，无论是专业信息获取、动态变化预测，还是专题地图制作和遥感数据的建立都离不开分类。早期的分类技术是目视解释，其时效性、可重复性差，解释结果也因人而异，很难进行比较和转换。近年来随着计算机技术的飞速发展，计算机识别自动分类已逐渐替代了早期的分类技术，成为遥感应用的一个重要的组成部分，也是当前遥感发展的前沿。 而且，遥感图像的信息提取与分类一直是遥感技术领域研究的一项重要内容。遥感图像分类应用中，监督与非监督分类的传统分类方法以及人工神经网络分类、专家系统分类等新方法都以影像光谱特征为基础，然而，由于影像本身存在“同物异谱、异物同谱”现象，这种纯粹依赖地物光谱特征的分类方法往往会出现较多的错分、漏分情况。众多研究表明，结合影像光谱信息和其他辅助信息，可以大大提高分类精度。 本论文采用决策树分类技术对遥感图像进行分类，阐述了决策树的概念、决策树的分类方法、原理及基于专家知识的决策树遥感图像分类方法，探讨了决策树在遥感数据分类方面的优势，从而提高了遥感图像的分类精度。 关 键 词：决策树;分类；遥感影像  目 录 1、 绪 论 1 1.1 研究背景 1 1.2 研究目的与意义 1 1.2.1 研究目的 1 1.2.2 研究意义 2 2、 遥感图像分类方法及研究进程 2 2.1遥感图像分类概述 2 2.2 传统分类方法 2 2.2.1监督分类法 2 2.2.2非监督分类法 3 2.3 遥感图像新型分类方法 3 2.3.1非监督分类与监督分类的结合 3 2.3.2人工神经网络分类法 3 2.3.3决策树分类法 4 2.4 决策树分类法原理 4 2.4.1决策树分类器 4 2.4.2决策树算法 4 2.5本章小结 6 3、 基于决策树遥感图像分类 6 3.1 概 述 6 3.2 决策树的使用 8 3.2.1 NDVI植被指数 8 3.2.2规则获取 8 3.2.3 输入决策树规则 8 3.3 决策树分类后处理 10 3.4 本章小结 12 4、 决策树分类法优缺点分析 12 4.1 利用不同方式提取植被信息 12 4.2 决策树分类法的优点分析 14 4.3 决策树分类法的不足之处 14 5、 总结与展望 14 5.1 总 结 14 5.2展 望 15 参 考 文 献 16 致 谢 171、绪 论 1.1 研究背景 决策树分类方法作为一种基于空间数据挖掘和知识发现的监督分类方法，突破了以往分类树或分类规则的构建要利用分类者的生态学和遥感知识先验确定，其结果往往与其经验和专业知识水平密切相关的问题。它通过决策学习过程得到分类规则并进行分类，分类样本属于严格“非参”，不需要满足正态分布，可以充分利用GIS数据库中的地学知识辅助分类，大大提高了分类精度。目前，决策树分类方法已经开始应用于各种遥感影像信息提取和土地利用、土地覆盖分类中。在美国USGS、EPA等部门联合实施的“美国土地覆盖数据库”[1]计划（NLCD 2001）中，决策树分类技术不仅被应用于土地分类，而且应用于城市密度信息提取和林冠密度信息提取，土地利用分类精度达到了73-77%,城市密度信息提取精度达到83-91%，树冠精度到78-93%，其制图效率比原有的方法提高了50%，完全满足大规模土地分类数据产品生产要求。 1.2 研究目的与意义 1.2.1 研究目的 过去遥感影像分辨率不高，像元混杂十分严重，因而，传统遥感图像分类方法，如监督分类或非监督分类，都是根据地物的光谱信息进行的，并未考虑像元之间的相关性，空间信息利用很少，这是基于像素分类方法的瓶颈所在。这种方法无法解决“同物异谱”，“同谱异物”的难题，并且分类精度受到局限。用传统的统计模式方法分类的效果不甚理想，因而人们不断研究新的分类放大。例如模拟人脑思维方式提出的人工神经网络分类；针对地物特征和模糊性提出的模糊聚类分类等，虽然这些方法在一定程度上提高了分类精度，达到了更好的效果，但是它们仍然是以遥感图像的光谱特征为基础的。在实践中，由于各种因素的影响，如地面起伏对地物光谱反射强度的影响；像素的分辨率低而造成的混类像素影响；分类中只考虑单个像素光谱特征而未考虑相邻像素类属的相关性及结构特征等因素，都会使常规的计算机分类效果不够理想。 因此需要采取一些辅助的处理措施，如引入地面的高程、坡度、坡向信息等