[发明专利]一种适用于高分一号影像的CART决策树分类方法

权利要求书

1.一种适用于高分一号影像的CART决策树分类方法，其特征在于：包括如下步骤：步骤一：高光谱数据预处理：基于MODTRAN+的大气辐射传输模型，计算在高光谱传感器处接收的像元光谱辐射亮度；步骤二：影像分割：采用的分割算法为多尺度分割；步骤三：确定分类类别及特征参数；步骤四：CART决策树分类；步骤五：精度验证：为了客观评价分类方法的精度，通过野外实测数据点，建立混淆矩阵对分类结果进行精度验证。

2.根据权利要求1所述的一种适用于高分一号影像的CART决策树分类方法，其特征在于：所述步骤一中采用的公式为：

式中，X为传感器接收的总辐射亮度；l为像元表面反射率；l₀为像元周围平均表面反射率；T为大气球面反照率；X_a为大气后向散射辐射率；N、M为大气和几何条件的系数。

3.根据权利要求2所述的一种适用于高分一号影像的CART决策树分类方法，其特征在于：所述步骤二的具体步骤为：选取高分一号的4号近红外波段、3号红波段、2号绿波段，波段权重设置为1：1：1，异质性因子形状指数设置为0.2，紧致度指数为0.5，分割尺度为300进行影像分割。

4.根据权利要求3所述的一种适用于高分一号影像的CART决策树分类方法，其特征在于：所述步骤三中，将高分一号遥感卫星影像类别确定为：草地、林地、耕地、未利用地物、水体。

5.根据权利要求4所述的一种适用于高分一号影像的CART决策树分类方法，其特征在于：计算水体指数NDWI的公式为：

式中，NDWI为水体指数；R₂和R₄为高分一号绿波段和近红外波段波长处的影像反射率值。

6.根据权利要求5所述的一种适用于高分一号影像的CART决策树分类方法，其特征在于：NDWI值大于-0.1，则为水体；然后选取近红外标准差Nir Std、纹理特征均匀度HOM、近红外波段比率Nir Ratio、红波段均值R Mean、纹理特征均值MEAN、红波段标准差R Std、形状指数SI七种特征参数，由于CART决策树是一种后剪枝方法，需要利用训练样本检验目标变量的预测精度，当错误率高于某一阈值或者明显增大时，停止修剪。

7.根据权利要求6所述的一种适用于高分一号影像的CART决策树分类方法，其特征在于：所述步骤四的具体步骤为：

利用水体指数NDWI、近红外标准差Nir Std、纹理特征均匀度HOM、近红外波段比率NirRatio、红波段均值R Mean、纹理特征均值MEAN、红波段标准差R Std、形状指数SI八个特征参数训练草地、林地、耕地、未利用地物、水体五种分类类别所对应的训练样本，建立用于CART决策树分类的模型进行分类。