[发明专利]基于二叉决策树的高光谱遥感影像分类方法

说明书

技术领域

本发明是一种高光谱遥感影像的分类方法，主要用于解决高光谱影像的分类问题，属于遥感影像处理领域。

背景技术

由于航天、卫星、统计以及计算机技术的飞速发展，我们可以得到高光谱分辨率的遥感影像数据，而影像分类是有效利用这些数据的一个重要的环节。影像分类是遥感技术的重要应用领域之一，它可以直接而生动地表现影像目标的性质。目前，高光谱遥感影像分类主要采用计算机自动分类技术来实现，计算机自动分类具有精度高、适用于定量分析、速度较快、可重用性好等优点。如何使计算机分类快速、准确处理数据的能力与高光谱遥感影像的大量信息相适应目前已经成为遥感领域理论与应用研究的主要方向之一。

高光谱遥感影像数据记录了地物目标的连续光谱，包含的信息更为丰富，具备了识别更多种类的地物目标以及以更高的精度进行目标分类的能力。但其巨大数据量，给信息提取造成一定的困难。目前高光谱遥感影像分类常用的方法是：先对影像数据进行降维，如特征选择、特征提取等，然后再用不同的分类方法对影像进行分类。这样可以保证参加分类的波段所包含的信息量最大，波段间的数据冗余最小，从而降低分类的复杂度。这样做从一定程度上提高了分类的效率，但是在分类之前必须另行对数据进行降维操作，使得整个分类的工作量增大，没有完全实现分类的“一体化”、“自动化”。针对高光谱遥感影像的分类，很多传统的分类方法都显示出了它们的不足。研究与实践表明：决策树分类算法与传统的遥感影像分类方法相比，具有分类精度较高，生成的分类规则直观、易于理解等优点。

目前决策树分类方法在其他遥感影像分类中应用较广，但在高光谱遥感影像分类中应用较少。而且大多数基于决策树的遥感影像分类研究中，决策树的建立并不是全自动的，一般先通过人工构建决策树，再借助其他程序或是商业软件对影像分类，灵活性差、效率低下、不利于充分利用影像信息和地学辅助知识。因此，研究设计一个系统，在不对高光谱遥感影像进行预先降维的情况下，让决策树来选择对分类最有利的波段并构建分类规则，最后对影像进行分类，从而实现波段选择，分类规则的生成和影像分类的“一体化”和“自动化”是十分有必要的。

基于决策树的高光谱遥感影像分类方法主要考虑4个方面的问题：(1)决策树的设计；（2）决策树算法设计；（3）阈值的选择方法；（4）最佳阈值和波段的确定方法。决策树设计的原则主要有：选择合适的树结构，合理安排树的节点和分支；确定在每个非终止节点上要使用的特征；在每个非终止节点上选择合适的决策规则。其中二叉决策树结构直观，便于分析与理解，对输入数据空间特征和分类标志，有着很好的弹性和鲁棒性，构造起来简单、灵活，具有很好的分类效果。决策树算法的设计关系着最后生成决策树的效率和分类效果。阈值的确定要考虑：确保找出当前节点所有真正的阈值；在判断一个交点是否可以当作阈值插入时，需要判断该将该交点作为的阈值是否对当前节点所有待区分类别有效。最佳阈值和波段的确定可以保证所选的阈值可以很好地区分两种类别，所用的波段的优势大于其他波段。

发明内容

技术问题：本发明的目的就是提供一种新的基于二叉决策树的高光谱遥感影像分类方法，来解决高光谱遥感影像的分类问题，本机制是一种策略性方法，通过使用本方法可以实现高光谱遥感影像波段选择，分类规则的生成和影像分类的“一体化”和“自动化”，为分类提供更高的效率和精度。

技术方案：本发明的方法是一种策略性的方法，通过一种二叉决策树来实现高光谱遥感影像的分类，从而将决策树分类技术与高光谱遥感影像分类相结合，利用决策树的优势，充分挖掘高光谱数据中最有用的信息，提高了地物目标的识别能力和分类精度。

一、体系结构

图1给出了基于二叉决策树的高光谱遥感影像分类系统结构图，它主要包括五个部分：影像读取和显示模块、样本采集模块、决策树生成模块、影像分类模块和分类结果精度评价模块。图中的决策树生成模块是本系统的核心，主要包括了决策树节点的数据结构设计、决策树算法设计、候选阈值选择方法和最佳阈值和波段选择方法四部分。通过本模块生成一棵用于高光谱遥感影像分类的二叉决策树。本发明在决策树生成模块中提出了一种二叉决策树分类算法，提高了高光谱遥感影像分类的效率和精度。

下面给出具体介绍：