基于决策树算法的遥感图像分类研究与实现摘要：针对传统分类方法在处理空间特征分布极为复杂的数据时效果不佳的缺点，结合分层思想的树分类技术，对广泛用于数据挖掘模型中的CART决策树算法进行改进，提出了一种基于人机交互的决策树算法，将其应用到遥感图像自动分类中，具有很好的弹性和鲁棒性，且分类结构简单明了，达到了更好的分类效果。以VC++6.0作为开发工具，定义了一种特殊的数据结构，实现了该分类系统。实践表明，该系统具有很好的稳定性和交互性，实用性较强。关键词：决策树；算法；图像分类；遥感；VC++中图法分类号：TP391文献标识码：A：1001－3695(2007)01－0207－03在遥感技术的研究中，通过遥感图像判读识别各种目标是遥感技术发展的一个重要环节[1]，无论是专业信息获取、动态变化预测，还是专题地图制作和遥感数据库的建立都离不开分类。早期的分类技术是目视解译，其时效性、可重复性差，解译结果也因人而异，很难进行比较和转换。近年来随着计算机技术的飞速发展，计算机识别自动分类已逐渐代替了早期的分类技术，成为遥感应用的一个重要组成部分，也是当前遥感发展的前沿[2]。目前，遥感图像自动分类主要利用统计模式方法[1]，可分为非监督和监督两类。由于遥感图像往往存在异物同谱和同物异谱的现象，用传统的统计模式方法分类的效果不甚理想，因而人们不断研究新的分类方法。例如模拟人脑思维方式提出的人工神经网络分类[3]；针对地物特征和模糊性提出的模糊聚类分类[4]；模式识别与人工智能技术相结合的专家系统分类[1]；计算混合像元内各典型地物所占面积比例的混合像元分解法[5]；按照一定的知识规则，采用分层思想的树分类[6]等技术。??虽然这些方法在一定程度上提高了分类精度，达到了更好的效果，但是它们仍是以遥感图像的光谱特征为基础的。在实践中，由于各种因素的影响，如地面起伏对地物光谱反射强度的影响[7]；像素的分辨率低而造成的混类像素影响；分类中只考虑单个像素光谱特征而未考虑相邻像素类属的相关性及结构特征等因素，都会使常规的计算机分类效果不够理想。因此需要采取一些辅助的处理措施[1]，如引入地面高程、坡度、坡向信息等，以设法改善分类效果。但目前的遥感图像计算机自动分类技术均不能很好地引入这些辅助信息[1]。本文在采用分层思想的树分类的基础上，对广泛用于数据挖掘模型中的决策树算法进行改进，并以VC++6.0作为开发工具，将其应用到图像自动分类中，能够很好地解决这个难题，达到了更好的分类效果。??1决策树算法的图像分类研究及实现??1．1常用的决策树算法简介??决策树[8，9]是一个类似流程图的树型结构，其中树的每个内部节点代表对一个属性的测试，其分支代表测试的每个结果，而树的每个叶子节点代表一个类别，树的最高层节点就是根节点，是整个决策树的开始。其算法的早期版本可以追溯到20世纪60年代[10]。后来特别是最近几年，它被广泛应用到许多需要分类识别的领域，如科学实验、医疗诊断、信贷审核、商业预测、案件侦破等。这类算法无须相关领域知识，且相对于基于模糊理论的分类方法，具有更高的分类准确率和更快的处理速度[11]。??在很多领域特别是数据挖掘中，决策树是一种经常要用到的技术[12]，它可以用于分析数据，也可以用来作预测，常用的算法有ID3，CART，C4.5等。??（1）ID3算法是最有影响和最早的决策树算法之一[10]，其建立在推理系统和概念学习系统的基础上，但它是非递增学习算法。每当一个或数个新例子进来，就必须重新执行一次该算法，把新来的例子和以前旧的全部例子集合变成决策树，因此效率非常低。而且它是基于单变量的，难以表达复杂概念，抗噪性差。??（2）C4.5是ID3的改进版本[13]。它主要在以下几个方面对ID3作了改进：缺省值的预测属性仍可用，提出了修剪思想，可以进行规则推导。??（3）CART（ClassificationandRegressionTree，分类回归树）[14]是一种数据勘测和预测算法。它用一种非常简单的方法来选择问题，即将每个问题均试一次，然后挑出最好的一个，用它把数据分成更有序的两个分割，再对新的分割分别提出所有可能的问题。因此该算法得到的决策树每个节点有两个分支，即...