ENVI決策樹分類

1、精選優(yōu)質(zhì)文檔-傾情為你奉上遙感專題講座影像信息提?。ㄈ?、基于專家知識(shí)的決策樹分類）  基于專家知識(shí)的決策樹分類   可以將多源數(shù)據(jù)用于影像分類當(dāng)中，這就是專家知識(shí)的決策樹分類器，本專題以ENVI中Decision Tree為例來敘述這一分類器。   本專題包括以下內(nèi)容：   l專家知識(shí)分類器概述   l知識(shí)（規(guī)則）定義   lENVI中Decision Tree的使用概述    基于知識(shí)的決策樹分類是基于遙感影像數(shù)據(jù)及其他空間數(shù)據(jù)，通過專家經(jīng)驗(yàn)總結(jié)、簡單的

2、數(shù)學(xué)統(tǒng)計(jì)和歸納方法等，獲得分類規(guī)則并進(jìn)行遙感分類。分類規(guī)則易于理解，分類過程也符合人的認(rèn)知過程，最大的特點(diǎn)是利用的多源數(shù)據(jù)。    如圖1所示，影像+DEM就能區(qū)分緩坡和陡坡的植被信息，如果添加其他數(shù)據(jù)，如區(qū)域圖、道路圖土地利用圖等，就能進(jìn)一步劃分出那些是自然生長的植被，那些是公園植被。 (36.31 KB)2008-11-3 13:53圖1 專家知識(shí)決策樹分類器說明圖    專家知識(shí)決策樹分類的步驟大體上可分為四步：知識(shí)（規(guī)則）定義、規(guī)則輸入、決策樹運(yùn)行和分類后處理。1.知識(shí)（規(guī)則）定義       &

3、#160;規(guī)則的定義是講知識(shí)用數(shù)學(xué)語言表達(dá)的過程，可以通過一些算法獲取，也可以通過經(jīng)驗(yàn)總結(jié)獲得。2.規(guī)則輸入       將分類規(guī)則錄入分類器中，不同的平臺(tái)有著不同規(guī)則錄入界面。3.決策樹運(yùn)行        運(yùn)行分類器或者是算法程序。4.分類后處理    這步驟與監(jiān)督/非監(jiān)督分類的分類后處理類似。知識(shí)（規(guī)則）定義     分類規(guī)則獲取的途徑比較靈活，如從經(jīng)驗(yàn)中獲得，坡度小于20度，就認(rèn)為是緩坡，等等。也可以從樣本中利用算法來獲取，這里要

4、講述的就是C4.5算法。     利用C4.5算法獲取規(guī)則可分為以下幾個(gè)步驟：    （1）多元文件的的構(gòu)建：遙感數(shù)據(jù)經(jīng)過幾何校正、輻射校正處理后，進(jìn)行波段運(yùn)算，得到一些植被指數(shù)，連同影像一起輸入空間數(shù)據(jù)庫；其他空間數(shù)據(jù)經(jīng)過矢量化、格式轉(zhuǎn)換、地理配準(zhǔn)，組成一個(gè)或多個(gè)多波段文件。    （2）提取樣本，構(gòu)建樣本庫：在遙感圖像處理軟件或者GIS軟件支持下，選取合適的圖層，采用計(jì)算機(jī)自動(dòng)選點(diǎn)、人工解譯影像選點(diǎn)等方法采集樣本。    （3）分類規(guī)則挖掘與評(píng)價(jià)：在樣本庫的基礎(chǔ)上采用適當(dāng)?shù)臄?shù)據(jù)挖掘方法挖掘分

5、類規(guī)則，后基于評(píng)價(jià)樣本集對分類規(guī)則進(jìn)行評(píng)價(jià)，并對分類規(guī)則做出適當(dāng)?shù)恼{(diào)整和篩選。這里就是C4.5算法。    4.5算法的基本思路基于信息熵來“修枝剪葉”，基本思路如下：    從樹的根節(jié)點(diǎn)處的所有訓(xùn)練樣本D0開始，離散化連續(xù)條件屬性。計(jì)算增益比率，取GainRatio（C0）的最大值作為劃分點(diǎn)V0，將樣本分為兩個(gè)部分D11和D12。對屬性C0的每一個(gè)值產(chǎn)生一個(gè)分支，分支屬性值的相應(yīng)樣本子集被移到新生成的子節(jié)點(diǎn)上，如果得到的樣本都屬于同一個(gè)類，那么直接得到葉子結(jié)點(diǎn)。相應(yīng)地將此方法應(yīng)用于每個(gè)子節(jié)點(diǎn)上，直到節(jié)點(diǎn)的所有樣本都分區(qū)到某個(gè)類中。到達(dá)決策樹的葉節(jié)點(diǎn)的每

6、條路徑表示一條分類規(guī)則，利用葉列表及指向父結(jié)點(diǎn)的指針就可以生成規(guī)則表。 (10.36 KB)2008-11-3 13:53圖2 規(guī)則挖掘基本思路算法描述如下：算法：從空間數(shù)據(jù)集（多波段文件）中挖掘分類規(guī)則輸入：訓(xùn)練樣本輸出：分類規(guī)則表方法：一、讀取數(shù)據(jù)集名字二、讀取所有的訓(xùn)練樣本A、讀取屬性信息C、原始類E、樣本值A(chǔ)，并將樣本劃分為訓(xùn)練樣本（2/3）和評(píng)價(jià)樣本（1/3）。B、屬性信息C可以是連續(xù)（DISCRETE）或離散（CONTINUOUS）的，分別將屬性注上這兩種標(biāo)記；若屬性是DISCERTE，讀取其可能取得值，并都存儲(chǔ)在一個(gè)列表中；每一個(gè)屬性都有一個(gè)標(biāo)記，一個(gè)給定的屬性編號(hào)及初始化的取值

7、列表均存儲(chǔ)于一個(gè)屬性的數(shù)據(jù)結(jié)構(gòu)中，并將數(shù)據(jù)結(jié)構(gòu)存儲(chǔ)在一個(gè)哈希表中。C、原始類E當(dāng)作一個(gè)附加屬性信息儲(chǔ)存在屬性列表中。D、以增量方式讀取每一個(gè)樣本A，將所有的樣本儲(chǔ)存在一個(gè)表中，每一行代表一個(gè)樣本。三、利用數(shù)據(jù)集構(gòu)建樹A、離散化連續(xù)條件屬性C DISCRETE，獲得的分割點(diǎn)集T（t1，t2）作為條件屬性C的新的取值。B、分別計(jì)算所有條件屬性的增益比率GainRatio（C），取增益比率值最大的條件屬性作為樹的劃分節(jié)點(diǎn)，其值或范圍作為劃分值V（v1，v2）來生成樹的分枝。C、判斷該層與每一個(gè)等價(jià)子集的原始類類別是否一致。若一致，生成葉子結(jié)點(diǎn)。否則，繼續(xù)計(jì)算增益比率GainRatio（C）和選擇條件

8、屬性C，得到樹的節(jié)點(diǎn)和劃分值V，直至所有的樣本已分類完畢。四、測試生成樹將測試樣本C帶入樹中，當(dāng)某一測試樣本的分類預(yù)測錯(cuò)誤時(shí)，記錄分類錯(cuò)誤的計(jì)數(shù)，并將測試樣本添加到訓(xùn)練樣本中，轉(zhuǎn)向步驟三，重新構(gòu)建樹。否則，輸出分類樹五、抽取分類規(guī)則到達(dá)樹的葉節(jié)點(diǎn)的每條路徑表示一條分類規(guī)則從樹中抽取分類規(guī)則，打印規(guī)則和分類的詳細(xì)信息C4.5網(wǎng)上有源代碼下載，vc和c+版本都能獲得。Decision Tree的使用一、規(guī)則獲取    選取Landsat TM5影像和這個(gè)地區(qū)對應(yīng)的DEM數(shù)據(jù)，影像和DEM經(jīng)過了精確配準(zhǔn)。規(guī)則如下描述：Class1（朝北緩坡植被）:NDVI>0.3, slo

9、pe<20, aspect<90 and aspect>270Class2（非朝北緩坡植被）：NDVI>0.3, slope<20, 90<=aspect<=270Class3（陡坡植被）：NDVI>0.3, slope>=20,Class4（水體）：NDVI<=0.3, 0<b4<20Class5（裸地）：NDVI<=0.3, b4>=20Class6（無數(shù)據(jù)區(qū)，背景）: NDVI<=0.3, b4=0    也可以按照二叉樹描述方式：第一層，將影像分為兩類，NDVI大于0.3，ND

10、VI小于或等于0.3；第二層，NDVI高的，分為坡度大于或等于20度和坡度小于20度。以此往下劃分。二、輸入決策樹規(guī)則    打開主菜單->classification->Decision Tree->Build New Decision Tree,如圖3所示，默認(rèn)顯示了一個(gè)節(jié)點(diǎn)。 (17.29 KB)2008-11-3 13:53圖3 Decision Tree界面    首先我們按照NDVI的大小劃分第一個(gè)節(jié)點(diǎn)，單擊Node1，跳出圖4對話框，Name為NDVI>0.3，在Expression中填寫：ndvi gt 0.3。

11、(12.02 KB)2008-11-3 13:53圖4 添加規(guī)則表達(dá)式    點(diǎn)擊OK后，會(huì)提示你給ndvi指定一個(gè)數(shù)據(jù)源，如圖5所示，點(diǎn)擊第一列中的變量，在對話框中選擇相應(yīng)的數(shù)據(jù)源，這樣就完成第一層節(jié)點(diǎn)規(guī)則輸入。 (15.15 KB)2008-11-3 13:53圖5 指定數(shù)據(jù)源    Expression中的表達(dá)式是有變量和運(yùn)算符（包括數(shù)學(xué)函數(shù)）組成，支持的運(yùn)算符如表1所示表達(dá)式部分可用函數(shù)基本運(yùn)算符 +、-、*、/ 三角函數(shù) 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) 雙曲線

12、正弦Sinh(x)、雙曲線余弦cosh(x)、雙曲線正切tanh(x) 關(guān)系/邏輯 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、XOR最大值（>）、最小值 (<)其他符號(hào) 指數(shù)（）、自然指數(shù)exp自然對數(shù)對數(shù)alog(x) 以10為底的對數(shù)alog10(x)整形取整round(x)、ceil(x)平方根（sqrt）、絕對值（adb） 表1 運(yùn)算符    ENVI決策樹分類器中的變量是指一個(gè)波段的數(shù)據(jù)或作用于數(shù)據(jù)的一個(gè)特定函數(shù)。變量名必須包含在大括號(hào)中，即變量名；或者命名為bx，x代表數(shù)據(jù)，比如哪一個(gè)波段。如果變量被賦

13、值為多波段文件，變量名必須包含一個(gè)寫在方括號(hào)中的下標(biāo)，表示波段數(shù)，比如pc2表示主成分分析的第一主成分。支持特定變量名如表2，也可以通過IDL自行編寫函數(shù)。變量作用slope 計(jì)算坡度 aspect 計(jì)算坡向 ndvi 計(jì)算歸一化植被指數(shù) Tascap n穗帽變換，n表示獲取的是哪一分量。 pc n主成分分析，n表示獲取的是哪一分量。lpcn局部主成分分析，n表示獲取的是哪一分量。 mnf n 最小噪聲變換，n表示獲取的是哪一分量。Lmnfn局部最小噪聲變換，n表示獲取的是哪一分量。Stdevn波段n的標(biāo)準(zhǔn)差 lStdevn波段n的局部標(biāo)準(zhǔn)差Meann波段n的平均值 lMeann波段n的局部平

14、均值Min n、maxn波段n的最大、最小值 lMin n、lmaxn波段n的局部最大、最小值表2變量表達(dá)式     第一層節(jié)點(diǎn)根據(jù)NDVI的值劃分為植被和非植被，如果不需要進(jìn)一步分類的話，這個(gè)影像就會(huì)被分成兩類：class0和class1。對NDVI大于0.3，也就是class1，根據(jù)坡度劃分成緩坡植被和陡坡植被。在class1圖標(biāo)上右鍵，選擇Add Children。單擊節(jié)點(diǎn)標(biāo)識(shí)符，打開節(jié)點(diǎn)屬性窗口，Name為Slope<20，在Expression中填寫：Slope lt 20。    同樣的方法，將所有規(guī)則輸入，末節(jié)點(diǎn)圖標(biāo)右鍵Edit Properties，可以設(shè)置分類結(jié)果的名稱和顏色，最后結(jié)果如圖6所示。 (20.03 KB)2008-11-3 13:53圖6 規(guī)則輸入結(jié)果圖三、執(zhí)行決策樹    選擇Options->Execute，執(zhí)行決策樹，跳出圖7所示對話框，選擇輸出結(jié)果的投影參數(shù)、重采樣方法、空間裁剪范圍（如需要）、輸出路徑，點(diǎn)擊OK之后，得到如圖8所示結(jié)果。在決策樹運(yùn)行過程中，會(huì)以不同顏色標(biāo)示運(yùn)行的過程。 (15.81 KB)2008-11-3 13:53圖7 輸出結(jié)果 (53.83 KB)2008-11-3 13:53圖8 決策樹運(yùn)行結(jié)果&