决策树分类-练习
构建执行决策树
5. 面向对象分类
5.1 面向对象的图像分析
• 同物异谱，同谱异物”会对影像分类产生的影响，加 上高分辨率影像的光谱信息不是很丰富，还有经常伴 有光谱相互影响的现象，这对基于像素的分类方法提 出了一种挑战，面向对象的影像分类技术可以一定程 度减少上述影响
• 面向对象的技术
5.3 面向对象分类操作流程
• 发现对象 • 特征提取
发现对象
影像分割
合并分块
输出对象 为矢量文件？
是
是
特征提取
定义要素 规则分类 监督分类
导出要素
查看报告和统计
完成
面向对象分类练习
基于规则的面向对象分类 • 数据“..\练习数据\3-面向对象图像分类\1-基于规则” 基于样本的面向对象分类
• 数据“..\练习数据\3-面向对象图像分类\2-基于样本”
• 据分类的复杂度、精度需求等确定哪一种分类器 • 目前ENVI的监督分类可分为基于传统统计分析学的，包括平行六面 体、最小距离、马氏距离、最大似然，基于神经网络的，基于模式 识别，包括支持向量机、模糊分类等，针对高光谱有波谱角 （SAM），光谱信息散度，二进制编码
平行六面体 最小距离 马氏距离 最大似然 波谱角 光谱信息散度 二进制编码 神经网络 支持向量机分类 模糊分类
aspect
ndvi Tascap
计算坡向
计算归一化植被 指数 穗帽变换
关系/逻辑
pc
mnf lpc Stdev Mean Min、max 其他 如：{ndvi} LT 0.3
主成分分析
最小噪声变换 局部主成分分析 标准差 平均值 最大、最小值 ……
ห้องสมุดไป่ตู้
其他符号
决策树分类-练习
• 数据源
– “..\练习数据\2-决策树分类\bouldr_tm.dat”
2. 目视解译
2.1 遥感图像解译的基本概念
• 人们对地表物体的有关领域，如土地利用存在一种先验知识， 在遥感图像寻找对应关系。然后，根据遥感图像的影像特征推 论地表物体的属性。这一过程就称之为遥感图像的解译，也叫
遥感图像的判读。
• 解译的任务就是从图像上认识，辨别影像与地物的对应关系、 判断、归类、地物目标，并用轮廓线圈定它们和赋予属性代码，
具有半自动跟踪功能，能自动圆滑线性地物拐弯处、圆滑不规则
地物边界等。 • 经验的积累：图像解译以相关的专业知识和经验为主导，图像处
理为辅助，经验是在实践中逐步总结。
3. 监督分类
3.1 监督分类定义
• 又称训练分类法，用被确认类别的样本像元去识别其他未知类 别像元的过程。
– 在分类之前通过目视判读和野外调查，对遥感图像 上某些样区中影像地物的类别属性有了先验知识， 对每一种类别选取一定数量的训练样本 – 计算机计算每种训练样区的统计或其他信息，同时 用这些种子类别对判决函数进行训练，使其符合于 对各种子类别分类的要求 – 用训练好的判决函数去对其他待分数据进行分类。 使每个像元和训练样本作比较，按不同的规则将其 划分到和其最相似的样本类，以此完成对整个图像 的分类
或用符号、颜色表示属性。
• 进行图像解译时，把图像中目标物的大小、形状、阴影、颜色、 纹理、图案，位置及周围的系统称之为解译的八要素。
2.2 遥感图像解译预处理
• 预处理主要包括：几何校正、融合、裁剪、镶嵌。
• 除了这些传统的预处理外，为了方便目视解译，图像解译中比
较重要的处理还包括了波段组合、图像增强、图像变换等。
• 遥感影像分类就是利用计算机通过对遥感影像中各类地
物的光谱信息和空间信息进行分析，选择特征，将图像 中每个像元按照某种规则或算法划分为不同的类别，然 后获得遥感影像中与实际地物的对应信息，从而实现遥 感影像的分类，即信息提取。
1.2 遥感信息提取方法概述
基于专家知识 的决策树分类
面向对象特征 自动提取
• 规则获取（经验总结和样本总结）
– – – – – 类1：NDVI大于0.3，坡度大于或者等于20度 类2：NDVI大于0.3，坡度小于20度，阴坡 类3：NDVI大于0.3，坡度大于20度，阳坡 类4：NDVI小于或等于0.3，波段4值大于或等于20 类5： NDVI小于或等于0.3，波段4值小于20
地物识别与 地表反演
基于光谱的计 算机自动分类 变化检测
人工解译
地形信息提取
1.3 遥感信息提取方法——适用范围
方法 说明 人工解译 适用定性信息的提取，也就是在图像上通 过肉眼能分辨的信息 基于光谱的计算机分类 对于中低分辨率的多光谱影像效果明显 （小于10米） 基于专家知识的决策树分类 需要多源数据支持 面向对象分类方法 随着高分辨率影像的出现而发展起来的 地物识别与地表反演 定量信息提取，需要模型的支持，数据源 有一定要求 变化监测 多时相影像支持 地形信息提取 需要立体像对的支持
面向对象分类练习——合并分块
• 影像分割时，由于阈值过低，一些特征会被错分，一个特征也有可能被分成很多部分。 我们可以通过合并来解决这些问题。 • FX利用了 Full Lambda-Schedule算法，该方法在结合光谱和空间信息的基础上迭代 合并邻近的小斑块。 • 这一步是可选项， 如果不需要可以直 接跳过。
3.2 监督分类基本流程
类别定义/特征判别 样本选择
平行六面体 最小距离 马氏距离 最大似然 波谱角 光谱信息散度 二进制编码 神经网络 支持向量机分类 模糊分类
分类器选择
影像分类 分类后处理 结果验证
3.3 监督分类流程说明——类别定义/特征判断
• 根据分类目的、影像数据自身的特征和分类区收集的信 息确定分类系统； • 对影像进行特征判断，评价图像质量，决定是否需要进
– 集合临近像元为对象用来识别感兴趣的光谱要 素 – 充分利用高分辨率的全色和多光谱数据，利用 空间，纹理，和光谱信息来分割和分类的特点 – 以高精度的分类结果或者矢量输出
5.2 与基于像元分类的区别
类型 基本原理 影像的最小单元 适用数据源 缺陷
传 统 基 于 地 物 的 光 谱 信 息 单个的影像像元 中低分辨率多光 丰 富 的 空 间 信 息 光 谱 的 分 特征 谱和高光谱影像 利用率几乎为零
• 特征提取结果输出
– 矢量 – 图像（分类图像、 规则图像) – 结果统计报表
面向对象分类练习2——基于样本
• 监督分类
– 根据一定样本数量以及其对应的属性信息，提供 K邻近法、支持向量机 主成分分析法进行特征提取
类方法
基 于 专 家 根 据 光 谱 特 征 、 单个的影像像元 多源数据 知 识 决 策 空间关系和其他 树 上下文关系归类 像元 面 向 对 象 几 何 信 息 、 结 构 一个个影像对象 中高分辨率多光 速度比较慢 的 分 类 方 信息以及光谱信 法 息 谱和全色影像 知识获取比较复 杂
注：一种方法不能完全取代另一种，每种方法都有其适用范围
根据光谱特征、空间关系和其他上下文关系归类像元
陡坡上的植被 缓坡上的植被
+ + +
DEM
Road Map Zoning Coverage Landcover Classification
+
高山植被
公园用地
4.2 专家知识的决策树分类基本步骤
知识（规则）定义
规则输入
决策树运行
分类后处理
4.3 规则定义
遥感图像信息提取
主要内容
遥感信息提取技术概述 目视解译 监督分类 基于专家知识的决策树分类
面向对象分类
地物识别和定量反演 动态监测 立体像对DEM提取
1. 遥感信息提取方法概述
1.1 影像信息提取技术基础
• 遥感影像通过亮度值或像元值的高低差异（反映地物的 光谱信息）及空间变化（反映地物的空间信息）来表示 不同地物的差异，这是区分不同影像地物的物理基础。
4.4 规则描述——表达式与变量
表达式 基本运算符 三角函数 部分可用函数 +、-、*、/ Sin、cos、tan asin、acos、atan Sinh、cosh、 tanh…. LT、LE、EQ…. and、or、not…. 最大值、最小值 指数（^）、exp 对数alog 平方根（sqrt）、 绝对值（adb） …… slope 变量 作用 计算坡度
2.3 解译标志的建立
• 遥感图像判读包括识别、区分、辨别、分类、评定、评价及对某些特殊重要现象的探 测与鉴别。其轮廓的勾绘及其属性的赋予是要有依据。依据就是判读标志。在遥感图 像上研究地表地物的种种特征的总和，就叫判读遥感图像标志。
地物名称
林地
特征
1 、指生长乔木，树木郁闭度 ≥ 20 ％的各 种天然、人工等树木的土地；
面向对象分类练习1——特征提取
• 规则分类
– 每一个分类有若干个规则（Rule）组成，每一个规则有若干个属性表达 式来描述。规则与规则直接是与的关系，属性表达式之间是并的关系
• 如下是对水的一个描述：
– 面积大于500像素 – 延长线小于0.5 – NDVI小于0.25
面向对象分类练习——输出结果
• 规则获取：经验总结和样本总结 • 规则描述
– 类1：NDVI大于0.3，坡度大于或者等于20度 – 类2：NDVI大于0.3，坡度小于20度，阴坡 – 类3：NDVI大于0.3，坡度大于20度，阳坡 – 类 4 ： NDVI 小于或等于 0.3 ，波段 4 值大于或等 于20 – 类5： NDVI小于或等于0.3，波段4值小于20
– 小斑快处理 – 栅矢转换
• 精度验证
监督分类练习(二)
数据源
– 练习数据\1-监督分类\2-火烧迹地提取\BurnALI_subset.dat”
• 分类