一种适用于高分一号影像的CART决策树分类方法技术

本发明专利技术属于信息提取技术领域，具体涉及一种适用于高分一号影像的CART决策树分类方法。本发明专利技术包括如下步骤：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。本发明专利技术能进一步提高高分一号影像的分类精度。

【技术实现步骤摘要】
一种适用于高分一号影像的CART决策树分类方法
本专利技术属于信息提取
，具体涉及一种适用于高分一号影像的CART决策树分类方法。
技术介绍
对高分一号影像进行分类的传统流程是，对获取的高分一号影像进行基于像素的规律统计，将特征接近的像素归并为一类，通过地面选取若干典型地物进行属性验证，确定类别，实现分类。传统方法的不足体现在：首先，基于像素的方法忽略了地物固有的纹理和形状特征，缺乏分类结果的可解释性，导致大量的错分、漏分情况出现；其次，费时费力，需要对每一个分类结果进行现场验证工作，某些地块客观上无法到达，限制了分类精度的提高。
技术实现思路
本专利技术解决的技术问题：本专利技术针对现有技术的缺陷，提供一种适用于高分一号影像的CART决策树分类方法，能进一步提高高分一号影像的分类精度。本专利技术采用的技术方案：一种适用于高分一号影像的CART决策树分类方法，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。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；Xa为大气后向散射辐射率；N、M为大气和几何条件的系数。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。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。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。NDWI值大于-0.1，则为水体；然后选取近红外标准差NirStd、纹理特征均匀度HOM、近红外波段比率NirRatio、红波段均值RMean、纹理特征均值MEAN、红波段标准差RStd、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。所述步骤四的具体步骤为：利用水体指数NDWI、近红外标准差NirStd、纹理特征均匀度HOM、近红外波段比率NirRatio、红波段均值RMean、纹理特征均值MEAN、红波段标准差RStd、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。本专利技术的有益效果：高分一号影像具有高空间分辨率、多光谱与宽覆盖相结合的光学遥感特征，对它进行分类是遥感界的重要研究前沿。CART决策树分类方法具有自动选择分类特征、自动确定阈值、运算速度快、分类精度高等诸多优点。将CART决策树分类方法用于高分一号影像的处理中，能进一步提高其分类精度。基于高分一号高光谱数据，利用CART决策树，进行自动建树并完成分类，能够快速获取某地区林地、草地、耕地、水体以及未利用地物的分类情况，该方法有较好的可操作性和适用性，不仅能够解决同谱异物的错分问题，而且很好地解决了传统的基于象元的分类方法产生的噪声现象，减少野外工作量，提高分类效率与精度。附图说明图1为一种用于高分一号影像的CART决策树分类方法流程图。具体实施方式下面结合附图和具体实施例对本专利技术作进一步详细说明。一种适用于高分一号影像的CART决策树分类方法，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，根据公式(1)计算在高光谱传感器处接收的像元光谱辐射亮度：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；Xa为大气后向散射辐射率；N、M为大气和几何条件的系数。步骤二：影像分割多尺度分割是较为常用的一种分割算法，它是一种自下而上合并相邻对象的方法，通过保证对象与对象之间平均异质性最小、内部像元之间同质性最大从而合并相邻的像素或小的分割对象。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。步骤三：确定分类类别及特征参数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、水体五种，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。NDWI值大于-0.1，则为水体；然后选取近红外标准差NirStd、纹理特征均匀度HOM、近红外波段比率NirRatio、红波段均值RMean、纹理特征均值MEAN、红波段标准差RStd、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，因此这种分类方法可以自动确定特征参数的阈值，不需要手动计算。步骤四：CART决策树分类利用水体指数NDWI、近红外标准差NirStd、纹理特征均匀度HOM、近红外波段比率NirRatio、红波段均值RMean、纹理特征均值MEAN、红波段标准差RStd、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。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。本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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；Xa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...

【专利技术属性】
技术研发人员：李明，赵英俊，张东辉，张玉燕，
申请(专利权)人：核工业北京地质研究院，
类型：发明
国别省市：北京,11