决策树分类器的实现和在遥感影像分类中的应用.pdf

硕士学位论文决策树分类器的实现及在遥感影像分类中的应用ImplementofDecisionTreeClassifierandApplicationinRemoteSensingImageClassification作者姓名:韭瞳贺学科、专业::日期:兰州交通大学LanzhouJiaotongUniversity墓独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研究成果,除了文中特别加以标注和致谢之处外,论文中不包含其他人已经发表或撰写过的研究成果,也不包含获得兰趔銮道太堂或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。?一签梆匙?山努‘5月学位论文版权使用授权书,7日本学位论文作者完全了解兰趔童通太堂有关保留、使用学位论文的规定。特授权兰州交通太堂可以将学位论文的全部或部分内容编入有关数据库进行检索,并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国家有关部门或机构送交论文的复印件和磁盘。(保密的学位论文在解密后适用本授权说明)学位论文作者签名:彳队签字日期沙/多年歹月、导师签名:签字日期:w哆年r月≯7Et兰州交通大学硕士学位论文摘要决策树算法是数据挖掘中应用最广的归纳推理算法之一,其构造不需要任何领域知识或参数设置,适合于探测式知识发现。决策树算法具有结构清晰、运行速度快、准确性高以及更好的灵活性和鲁棒性,可以用于处理高维数据,其获取的知识是直观的且容易被人理解。目前决策树算法己经被广泛的应用于医学、制造和生产、金融分析、天文学、分子生物学以及遥感影像分类等领域。遥感影像分类是进行遥感影像解译的主要手段之一,其基本思想是通过对遥感影像中各类地物的光谱、空间、几何、纹理等信息的分析,选择特征,利用一定的手段对影像中的每个像素或者是分割对象进行归类,按照分类对象的不周,可以分为基于像元和面向对象两种。为了减少人工工作量,提高分类效率,最邻近、最大似然、支持向量机、模糊聚类、决策树和神经网络等分类算法作为分类手段被广泛应用于基于像元的分类方法中,同时在面向对象分类中,也使用了最邻近、隶属度函数、支持向量机和决策树等分类算法。当遥感影像数据特征的空间分布很复杂,利用决策树算法往往能获得理想的分类结果,且其生成的决策树或规则集可以供专家分析和修正,并输入到专家系统中。目前已经有很多研究者将多种决策树算法成功应用于遥感影像分类中。但是在这些研究中,决策树的生成大多依赖于现有的数据挖掘软件,缺少对决策树算法的深入研究和改进,也缺少相应的分类软件。本文在对决策树生成算法和boosting推进技术研究的基础上,以BoostTree算法为基础,通过算法改进,构建了AdaTree。WL算法。然后以该算法为基础研发了决策树遥感影像分类系统。依托该系统分别对LandsatETM+_;}aWorldView-2影像进行了基于像元和面向对象分类,并与其它分类算法进行了比较。主要研究内容和成果如下:(1)通过对多种决策树算法的研究、比较和分析,以复合决策树BoostTree思想为基础,首先根据遥感影像分类的特点,构造了新的单棵决策树生成算法,:然后改进了AdaBoost算法与决策树的结合方式以及最终的预测函数,,并利用该算法设计实现了GLC树分类器。(2)分析总结了当下流行的遥感影像分类方法,根据遥感影像分类原理,将上述决策树算法成功应用于基于像元和面向对象两种遥感影像分类方法中,并进行了相应的软件设计与实现。该软件不仅实现了基于像元的遥感影像分类,并且可以在获得影像分割的基础上,实现对分割结果的自动分类,克服了以往利用决策树进行遥感影像分类时依赖现有数据挖掘软件的问题。决策树分类器的实现及在遥感影像分类中的应用(3)利用Landsat7ETM+。试验中,、,以及支持向量机分类算法进行了比较。实验表明,,并优于上述其它算法,。,可以通过计算特征贡献度的方式对参与分类的特征进行筛选,提高分类效率。关键词:决策树;AdaBoost;分类;遥感;GLC树论文类型:应用研究Abs订actAsoneofthemainclassificationmethodsinDataMining,theDecisionTreealg