决策树分类器的实现及在遥感影像 分类中的应用

所需积分/C币:33 2017-10-21 20:26:26 2.38MB PDF

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。目前决策树算法已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。 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Landsat ETM+和WorldView-2影像进行了基于
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 Implement of Decision Tree Classifier and Application in Remote Sensing Image Classification 作者姓名:张晓贺 学科、专业:地图学与地理信息系统 学号 0208669 指导教师:张继贤、翟亮、闫浩文 完成日期: 2013年5月 州交通大 Lanzhou jiaotong Univers ity 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,其枃造不需要仼何领域知 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。目前决策树算法已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详的主要于段之一,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,按照分类对象的不同,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、决策树和神经终等分类算決作为分类于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、支持向量札和决策树等 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。 日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 硏究中,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 Ada tree.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 Landsat etm+和 World view-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,该算法可以看作 是对C4.5算法的改进;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,最终构造了木文中的组合决策树算法 Ada tree, WL,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影像和 Worldview-2影像分别进行了基于像元和面向对象 分类实验。试验中,分别将本文所构建的 AdaTrec.WL算法同 Boost treo、C5.0决策树 算法,以及支持向量机分类算法进行了比较。实验表明,本文构造的决策树分类算法在 分类精度上与C5.0算法在伯仲之间,并优于上述其它算法,平均 Kappa系数分别达到 0.9052和0.9398。同时利用 AdaTree.WL算法进行遥感影像分类,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; Ada boost;分类;遥感;GLC树 论文类型:应用研究 兰州交通大学硕士学位论文 abstract As one of the main classification methods in Data Mining, the Decision Tree algorithm does not need any prior kno wledge or preferences and is suitable for exploratory know led ge disco very. With clearly defined structures, fast operation speed, high accuracy, flexibility and robustness. the Decision Tree algorithm can be used to handle high-dimensional data and the knowledge acquired is intuitive and easy to be unders tood. now the dec iion Tree algorithm has been widely used in medicine, manufacturing and production, financial analys is astronomy, molecular biology and remote sensing image classification, etc Remote sensing image classification is one of the main means of remote sens ing image interpretation and its basic idea is to select features based on the ana lys is of spectra l spatial geometry, texture in remote sensing image, then classify every pixel by some certain means The methods of remote sensing image c lassification can be divided into pixel-based and object-oriented. For reducing the manual work load, Nearest Neighbor, Maximum Like lihood Classification, Support Vector Machine (SVM), Fuzzy Clustering, Dec ision Tree and Neural Network et al algorithms have been used in the pixel-based class ification of remote sensing image as well as Nearest Neighbor, Membearship Function, Support Vector Machine and Dec ision Tree et al algorithms have been used in ob ject-oriented classification of remote sensing image. The Decision Tree algorithm does better than other classification algorithms with remote sensing image that has feature spatial dis tribution is complex. Further more the decision tree or its rules can be analyzed and modified by experts and put to expert system. Now the Decision Tree algorithm has been used in remote sensing image classification in some studies. But in these studies, the building of Decision Tree depends on existing data mining software and few deep research work focus on decision tree algorithm, also lacks the software of remote sensing classification based on Decision Tree algorithm based on BoostTree algorith, this paper proposed a new algorithm of decision tree ensembles for remote sensing image classification- AdaTree. WL. With Ada tree. WL algorithm, a piece of so ftware was de veloped for pixeH-based and object-oriented remote sensing ima ge classification. In the experiment, Landsat7 ETM+ images are classified by pixel-based thod and orld vie w-2 ima ges are classified by object-oriented method the Ada tree. WL algorithm is compared with other classifiers. The main research contents and results show as follows Firstly, based on the study of Decision Tree algorithm and remote sensing ima ge classification, the Ada Tree. WL algorithm is proposed in this paper by using BoostTree as temp late. It is a combination of C4.5 and Ada boost MI algorithms. In the Ada tree. WL algorithm, the structure ofC45 and the final hypothesis of Ada Boost MI are modified. In this 决策树分类器的实现及在遥感影像分类中的应用 paper, a classifier is designed with AdaTree WL algorithm, and the classifier is named GlC Secondly, based on the above study, according to analysis and summary of remote sensing image classification, a method of using Ada Tree. L algorithm as the classifier in pixe-based and object-oriented remote sensing image classification is found. With the method, a piece of software is designed. The software can not only be used in pixel-based remote sensing image classification, but also object-oriented remote sensing ima ge classification with the se gmentation of remote sensing image and it solves the problem of depending on existing Data Mini so ftware when using Decision Tree algorithm to classify remote sensing mage Thirdly, through conducting the experiment of pixel-based classification using Landsat7 ETM+ images and the experiment of object-oriented classification using Worldview-2 images, the Ada Tree. Wl algorithm is compared with other classification algorithms such as Boost tree, C5.0 and Support vector Machine algorithms. The results show that, the AdaTrce. WL algorithm gets same accuracy compared with C5. algorithm and greater accuracy than Boost Tree and Vector Machine algorithms. Its average Kappa coefficients reaches 0.9052 in pixcl-based classification using Landsat7 ETM+ images and 0.9398 in object-oriented classification using World Vicw-2 ima ges. Also, the features can be filtered by calculating the contribution vahue depending on Adatree WL algorithm Key words Decision Tree; AdaBoost; Classification; Remote sensing GLC Tree 兰州交通大学硕士学位论文 目录 摘要 abstract… 1绪论 1.1研究背景 1.2国内外研究现状 1.3研究内容与目标… 1.4论文组织 2决策树分类器的设计与实现 2.1决策树生成算法 2.1.1算法思想 6668 2.1.2属性选择度量…… 21.3决策树剪枝….. ∴10 2.1.4组合决策树 12 22 AdaTree WL算法设计 13 22.1算法分析………………….……………….……………14 222单棵决策树生成算法.… 15 223组合决策树 16 23GLC树分类器的实现… ……17 23.1需求分析 ………17 23.2设计与实现 ··· 18 3GC树分类器在遥感影像分类中的应用 23 3.1基于像元遥感影像分类…. ······::::::····:·· 看看看垂番 23 3.1.1原理和过程 23 3.1.2特征提取. 24 3.1.3辅助数据的整合 25 32面向对象遥感影像分类 26 3.2.1原理和过程 26 3.2.2影像分割 27 3.2.3特征选择与提取.… 28 33GLC树分类器的应用 ,30 3.3.1基于像元分类… 30 决策树分类器的实现及在遥感影像分类中的应用 3.32面向对象分类 31 34GIC决策树遥感影像分类系统 32 34.1需求分析. 33 3.4.2系统设计 ∴……33 3.4.3系统实现 。··着看垂 4迸感影像分类实验 4.1实验数据和试验区 39 4.1.1 Landsa7ETM+影像数据 39 4.1.2 World view-2影像数据. 42实验设计. 41 4,2.1常用的分类算法………………141 42.2实验方案 ·········: 4.3 Landsat7ETM+影像基于像元分类 ∴14 4.3.1分类策略.… 44 4.3.2样本采集 …416 4.3.3结果与分析….…......247 4.34应用示范. 49 44 Worldview2影像面向对象分类. 52 44.1分类策略… 2 44.2影像分割与特征提取 44.3样本采集.155 444结果与分析 56 结论 59 1总结 59 2展望 致谢 参考文献……… ……62 攻读学位期间的研究成果.… …,66

...展开详情
试读 76P 决策树分类器的实现及在遥感影像 分类中的应用
img
海亲王

关注 私信 TA的资源

上传资源赚积分,得勋章
    最新推荐
    决策树分类器的实现及在遥感影像 分类中的应用 33积分/C币 立即下载
    1/76
    决策树分类器的实现及在遥感影像 分类中的应用第1页
    决策树分类器的实现及在遥感影像 分类中的应用第2页
    决策树分类器的实现及在遥感影像 分类中的应用第3页
    决策树分类器的实现及在遥感影像 分类中的应用第4页
    决策树分类器的实现及在遥感影像 分类中的应用第5页
    决策树分类器的实现及在遥感影像 分类中的应用第6页
    决策树分类器的实现及在遥感影像 分类中的应用第7页
    决策树分类器的实现及在遥感影像 分类中的应用第8页
    决策树分类器的实现及在遥感影像 分类中的应用第9页
    决策树分类器的实现及在遥感影像 分类中的应用第10页
    决策树分类器的实现及在遥感影像 分类中的应用第11页
    决策树分类器的实现及在遥感影像 分类中的应用第12页
    决策树分类器的实现及在遥感影像 分类中的应用第13页
    决策树分类器的实现及在遥感影像 分类中的应用第14页
    决策树分类器的实现及在遥感影像 分类中的应用第15页
    决策树分类器的实现及在遥感影像 分类中的应用第16页
    决策树分类器的实现及在遥感影像 分类中的应用第17页
    决策树分类器的实现及在遥感影像 分类中的应用第18页
    决策树分类器的实现及在遥感影像 分类中的应用第19页
    决策树分类器的实现及在遥感影像 分类中的应用第20页

    试读已结束,剩余56页未读...

    33积分/C币 立即下载 >