發(fā)布時間：2018-01-12 11:40

  本文關(guān)鍵詞：基于多分類器的C5.0決策樹植被分類方法　出處：《圖學(xué)學(xué)報》2017年05期 　論文類型：期刊論文

  更多相關(guān)文章： 高光譜圖像 遙感 SVM SAM MLC C.

【摘要】：針對光譜角制圖(SAM)和最大似然(MLC)分類器對AVIRIS高光譜遙感圖像進(jìn)行植被分類精度均不高的問題,提出了一種基于多分類器的C5.0決策樹植被分類方法。首先,利用支持向量機(jī)(SVM),進(jìn)行核函數(shù)以及核函數(shù)參數(shù)選擇,提取出AVIRIS高光譜圖像中的植被信息。其次,利用C5.0算法將光譜角制圖和最大似然分類器組合,作為決策樹的特征屬性,學(xué)習(xí)樣本訓(xùn)練并生成分類規(guī)則;根據(jù)C5.0算法計算植被樣本中對應(yīng)分類器的信息增益率,選擇信息增益率最大的屬性去分類樣本;當(dāng)葉樣本的分類結(jié)果滿足停止生長的閾值,輸出樣本分類的結(jié)果,否則,回到開始,遞歸調(diào)用以上方法繼續(xù)分類葉樣本,直到所有子集僅包含一個植被類別的樣本完成決策。實驗結(jié)果表明,與光譜角制圖和最大似然分類器相比,本文提出的方法整體精度分別提高了6.04%、2.92%,不僅證實了多分類器組合的可行性和有效性,而且更加適用于AVIRIS高光譜圖像中的植被調(diào)查。
[Abstract]:The accuracy of vegetation classification for AVIRIS hyperspectral remote sensing images by spectral angle mapping (sam) and maximum likelihood (MLC) classifier is not high. A multi-classifier based C5.0 decision tree vegetation classification method is proposed. Firstly, support vector machine (SVM) is used to select kernel function and kernel function parameters. The vegetation information in AVIRIS hyperspectral image is extracted. Secondly, the spectral angle mapping and the maximum likelihood classifier are combined as the feature attributes of the decision tree using C5.0 algorithm. Learning sample training and generating classification rules; According to C5.0 algorithm, the information gain rate of the corresponding classifier in vegetation samples is calculated, and the attributes with the largest information gain rate are selected to classify the samples. When the classification result of the leaf sample meets the threshold of stop growing, the result of the sample classification is output, otherwise, back to the beginning, recursively call the above method to continue classifying the leaf sample. The experimental results show that compared with the spectral angle mapping and the maximum likelihood classifier, the overall accuracy of the proposed method is 6.04% higher than that of the spectral angle mapping and the maximum likelihood classifier. 2.92, which not only proves the feasibility and validity of the combination of multiple classifiers, but also is more suitable for vegetation investigation in AVIRIS hyperspectral images.
【作者單位】： 中北大學(xué)信息與通信工程學(xué)院;英國雷丁大學(xué)系統(tǒng)工程學(xué)院;
【基金】：國家自然科學(xué)基金項目(61672472) 中北大學(xué)科學(xué)研究基金項目(XJJ2016024);中北大學(xué)電子測試技術(shù)重點實驗室開放基金項目(ZDSYSJ2015005)
【分類號】：TP751
【正文快照】： 高光譜影像在保留較高空間分辨率同時,光譜分辨率有極大地提高,這使得無論在描述同類地物的細(xì)節(jié)方面,還是識別不同類別地物的能力等方面都有大幅提高。植被是地理環(huán)境重要的組成部分,陸地生態(tài)系統(tǒng)植被生產(chǎn)力一直是全球變化領(lǐng)域內(nèi)的研究熱點[1]。利用高光譜遙感技術(shù)對植被信息

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 夏俊;劉金梅;;不同分類器在遙感數(shù)據(jù)分類中的性能比較[J];價值工程;2013年04期

2 N.B.Venkateswarlu ,P.S.V.S.K.Raju ,艾東;一種新的遙感影象快速分類器[J];干旱區(qū)地理;1993年04期

3 駱玉霞,陳煥偉;角度分類器與距離分類器比較研究——以鹽漬土分類為例[J];國土資源遙感;2002年02期

4 柏延臣,王勁峰;結(jié)合多分類器的遙感數(shù)據(jù)專題分類方法研究[J];遙感學(xué)報;2005年05期

5 陳紹杰;李光麗;張偉;曹文;;基于多分類器集成的煤礦區(qū)土地利用遙感分類[J];中國礦業(yè)大學(xué)學(xué)報;2011年02期

6 鄭文武;曾永年;;利用多分類器集成進(jìn)行遙感影像分類[J];武漢大學(xué)學(xué)報(信息科學(xué)版);2011年11期

7 周夷;景奉廣;;多分類器組合的遙感圖像分類的方法[J];城市勘測;2008年02期

8 樊利恒;呂俊偉;鄧江生;;基于分類器集成的高光譜遙感圖像分類方法[J];光學(xué)學(xué)報;2014年09期

9 張周鎖,李凌均,何正嘉;基于支持向量機(jī)故障分類器的參數(shù)優(yōu)化研究[J];西安交通大學(xué)學(xué)報;2003年11期

10 李士進(jìn);常純;余宇峰;王亞明;;基于多分類器組合的高光譜圖像波段選擇方法[J];智能系統(tǒng)學(xué)報;2014年03期

相關(guān)會議論文 前1條

1 韓曉麗;崔杰;肖靈;;特征均值估計在低復(fù)雜度聲分類器中的應(yīng)用[A];中國聲學(xué)學(xué)會第九屆青年學(xué)術(shù)會議論文集[C];2011年

相關(guān)碩士學(xué)位論文 前7條

1 吳爾律;基于多分類器融合的高光譜圖像分類算法研究[D];北京化工大學(xué);2016年

2 楊小婷;基于層次化堆疊分類器架構(gòu)的光學(xué)遙感圖像船舶檢測算法研究[D];北京理工大學(xué);2016年

3 李楊;水下瞬態(tài)信號特征提取與多分類器融合[D];哈爾濱工程大學(xué);2009年

4 劉靜;“高分”遙感圖像的植被分類與識別研究[D];河北科技大學(xué);2016年

5 胡帥;多蟻群算法在化學(xué)模式分類器優(yōu)化設(shè)計中的應(yīng)用[D];浙江大學(xué);2008年

6 吳香偉;核RX算法異常檢測及多分類器融合技術(shù)研究[D];杭州電子科技大學(xué);2015年

7 王攀峰;基于半監(jiān)督局部保持投影的高光譜遙感影像分類方法研究[D];重慶大學(xué);2014年

，

本文編號：1414116