陳 超，赫春曉，石善球，周紹光

（1.江蘇省基礎(chǔ)地理信息中心，江蘇 南京 210013；2.江蘇省測(cè)繪研究所，江蘇 南京 210013；3.河海大學(xué) 地球科學(xué)與工程學(xué)院，江蘇 南京 210098）

一種基于決策樹方法的遙感影像分類研究

陳 超1，赫春曉2，石善球1，周紹光3

（1.江蘇省基礎(chǔ)地理信息中心，江蘇 南京 210013；2.江蘇省測(cè)繪研究所，江蘇 南京 210013；3.河海大學(xué) 地球科學(xué)與工程學(xué)院，江蘇 南京 210098）

以江蘇省泗陽縣的QuickBird影像為研究對(duì)象，基于影像的光譜信息、紋理信息、植被指數(shù)，采用CART決策樹對(duì)影像進(jìn)行分類，并將結(jié)果與最大似然分類結(jié)果進(jìn)行比較。結(jié)果表明，此方法分類精度與Kappa系數(shù)均得到提高。

影像分類；決策樹；植被指數(shù)；紋理特征

從遙感影像中識(shí)別各類地物是遙感領(lǐng)域的一項(xiàng)重要研究?jī)?nèi)容。傳統(tǒng)方法主要利用影像的光譜特征來進(jìn)行分類，但這種方法會(huì)出現(xiàn)較多的錯(cuò)分、漏分[1]；神經(jīng)網(wǎng)絡(luò)在影像分類中也取得了廣泛應(yīng)用，但這種方法的網(wǎng)絡(luò)最優(yōu)結(jié)構(gòu)難以確定、收斂速度慢[2-3]。

決策樹算法是一種監(jiān)督分類方法，該方法基于知識(shí)發(fā)現(xiàn)與數(shù)據(jù)挖掘，無需任何先驗(yàn)條件、假設(shè)條件即可融合影像的各種知識(shí)生成分類規(guī)則，因而在遙感信息提取和影像分類中得到了廣泛的應(yīng)用[4-7]。

本文以江蘇省泗陽縣的QuickBird全色和多光譜影像為實(shí)驗(yàn)數(shù)據(jù)。對(duì)影像進(jìn)行預(yù)處理后利用光譜信息、紋理信息以及植被指數(shù)構(gòu)成待分類多波段數(shù)據(jù)；然后利用CART決策樹方法從選取的樣本數(shù)據(jù)中獲取分類規(guī)則，并完成分類；最后將本文方法與傳統(tǒng)的最大似然分類法進(jìn)行比較，并進(jìn)行精度評(píng)價(jià)。

1 影像預(yù)處理

使用的實(shí)驗(yàn)數(shù)據(jù)包括全色和多光譜影像，預(yù)處理時(shí)首先利用GS方法融合影像，以提高多光譜影像的空間分辨率；然后對(duì)融合影像進(jìn)行增強(qiáng)處理，這樣可以改善影像分類效果、提高可解譯性，使應(yīng)用者更容易地從影像上獲取感興趣的信息。最后通過分析融合后的影像各波段直方圖，將影像各波段數(shù)據(jù)拉伸至5%～92%。處理前后圖像如圖1所示，圖片均為真彩色顯示。

實(shí)驗(yàn)影像大小為2 900×5 200像元，全色影像分辨率為0.6 m，多光譜影像（四個(gè)波段依次為藍(lán)、綠、紅、近紅外）分辨率為2.4 m，融合前影像已經(jīng)過嚴(yán)格配準(zhǔn)。拉伸后影像色彩層次更為豐富，拉大了不同地物的差異，易于解譯。

圖1 影像預(yù)處理

2 CART決策樹分類

決策樹是一種分類預(yù)測(cè)方法，通過生成一系列二叉決策將像元分類，每個(gè)新類通過二叉決策樹再次被分為兩類。依此類推，直到不再滿足分類規(guī)則為止。

Breiman[8]于1984年提出了決策樹構(gòu)建算法CART，CART采用經(jīng)濟(jì)學(xué)中的基尼系數(shù)作為測(cè)試變量的準(zhǔn)則，通過循環(huán)分析樣本數(shù)據(jù)以獲取二叉樹形式的決策樹結(jié)構(gòu)。

式中，p（j/h）指從樣本集中隨機(jī)抽取一個(gè)樣本時(shí)，測(cè)試變量值h屬于第j類的概率；nj（h）為樣本中測(cè)試變量值為h時(shí)屬于第j類的樣本個(gè)數(shù)；n（h）為訓(xùn)練樣本中測(cè)試變量值為h的樣本個(gè)數(shù)；j指類別數(shù)。

CART算法從眾多輸入屬性中選擇一個(gè)或多個(gè)屬性作為分裂變量，將測(cè)試變量分給各分枝，重復(fù)該過程建立分類樹；對(duì)分類樹剪枝，得到一系列分類樹；最后用測(cè)試數(shù)據(jù)測(cè)試分類樹，從中選擇最優(yōu)分類樹。

下面介紹利用CART決策樹對(duì)影像進(jìn)行分類。

2.1 獲取待分類多波段影像

僅利用影像的光譜特征難以準(zhǔn)確分類，本文結(jié)合影像的植被指數(shù)、紋理特征參與分類。植被指數(shù)是一個(gè)重要的遙感參數(shù)，廣泛應(yīng)用于土地覆蓋、植被分類、農(nóng)業(yè)研究等領(lǐng)域。本文利用NDVI：

式中，DNNIR、DNR分別表示近紅外、紅波段的灰度值。

紋理特征主要表現(xiàn)為影像中地物的形狀、方位、大小等，不同的地物一般具有不同的紋理特征。本文利用灰度共生矩陣獲取影像的均勻性、相異性兩個(gè)紋理測(cè)度，將獲取的植被指數(shù)、紋理特征與光譜信息相結(jié)合，得到待分類多波段影像。

利用ENVI軟件，分別計(jì)算圖1d的NDVI與紋理測(cè)度，結(jié)果影像見圖2。計(jì)算紋理測(cè)度時(shí)，移動(dòng)窗口為3 × 3，移動(dòng)步長為 1，移動(dòng)方向?yàn)?0°。將圖2的影像與圖1d相結(jié)合，即獲得待分類多波段影像。新影像共有7個(gè)波段，依次為藍(lán)、綠、紅、近紅外、NDVI、均勻性測(cè)度、相異性測(cè)度。

圖2 NDVI與紋理測(cè)度影像

2.2 基于CART決策樹的影像分類

CART決策樹算法是一種監(jiān)督分類算法，即用戶需先提供一個(gè)樣本集用于構(gòu)建決策樹，隨后才能利用該決策樹對(duì)影像進(jìn)行分類。通過影像分析，將影像分為水體、耕地、建筑物、林地、裸地5類。利用ENVI的RoI工具從新影像中分別選擇五種地物的樣本數(shù)據(jù)，構(gòu)成樣本集，結(jié)合CART算法獲取決策樹。本文獲取的部分決策樹見圖3。

圖3 決策樹

利用圖3的決策樹為新影像分類，得到的分類結(jié)果見圖4a，最大似然法的分類結(jié)果見圖4b。將分類結(jié)果與影像作比較，可得出結(jié)論：①大部分分類結(jié)果與實(shí)際情況一致；②建筑物陰影區(qū)域被誤分為其他類別的問題較嚴(yán)重，如圖4a內(nèi)橢圓標(biāo)記處的建筑物陰影被分為了水體。

圖4 分類結(jié)果

表1 決策樹分類法混淆矩陣

表2 最大似然法混淆矩陣

2.3 精度評(píng)定

為客觀評(píng)價(jià)分類精度，結(jié)合衛(wèi)星影像與航攝影像進(jìn)行目視判讀， 為每種類別選取一定數(shù)目的評(píng)價(jià)樣本，分別為兩種分類結(jié)果建立混淆矩陣（表1、表2）。從表中可看出，決策樹分類法總分類精度、Kappa系數(shù)分別比最大似然法提高了6.089 2%、0.075 3。

3 結(jié) 語

本文利用CART決策樹方法完成了遙感影像的分類工作，并與傳統(tǒng)的最大似然分類方法進(jìn)行比較，總分類精度與Kappa系數(shù)均得到提高，但建筑物陰影導(dǎo)致的誤分類現(xiàn)象較嚴(yán)重。后續(xù)工作將在預(yù)處理工作中加入陰影處理這一步驟，以進(jìn)一步提高分類精度。

[1] 陳姝,居為民.遙感圖像分類及研究進(jìn)展[J].河北農(nóng)業(yè)科學(xué),2009,13(1)：143-146

[2] 王玲,龔健雅.基于RBF神經(jīng)網(wǎng)絡(luò)的遙感影像分類算法研究[J].測(cè)繪工程,2009,12(3)：7-9

[3] 徐磊,林劍,李艷華,等.基于BP人工神經(jīng)網(wǎng)絡(luò)的遙感影像分類[J].地理空間信息,2012,10(4)：83-85

[4] 趙萍,傅云飛,鄭劉根,等.基于分類回歸樹分析的遙感影像土地利用/覆被分類研究[J].遙感學(xué)報(bào),2005,9 (6) ：708-716

[5] 翁中銀,何政偉,于歡.基于決策樹分類的地表覆蓋遙感信息提取[J].地理空間信息,2012,10(2)：110-112

[6] 昌小莉,董丞妍,羅明良,等.監(jiān)督分類和決策樹方法提取欽州灣濕地的對(duì)比分析[J].中國農(nóng)學(xué)通報(bào),2014,30(32)：295-300

[7] 張紅梅,吳基文,劉星,等,特征提取和決策樹法土地利用遙感分類[J].測(cè)繪科學(xué),2014,39(10)：53-56

[8] BREIMAN L, FRIEDMAN J H, oLSHEN R A, et al. Classification and Regression Trees [M ].Monterey, California, U. S. A.： Wadsworth International Group, 1984

P237

B

1672-4623（2016）08-0050-02

10.3969/j.issn.1672-4623.2016.08.017

陳超，碩士研究生，研究方向?yàn)閿?shù)字圖像處理。

2015-01-26。

項(xiàng)目來源：國家自然科學(xué)基金資助項(xiàng)目（41271420）；江蘇省測(cè)繪地理信息科研資助項(xiàng)目（JSCHKY201421）。