【文章內容簡介】 本所屬類別完成樣本的聚類分析，而且可以自動的進行類別的“合并”和“分裂”，從而得到類數比較合理的聚類效果。ISODATA 算法是個循環(huán)過程。輸入參數改變輸入參數最后一次迭代計算聚類中心及均值等近鄰聚類 最后一次迭代Nck/2完成分裂運算.置c=0符合合并條件見條件合并運算符合合并條件結束 YYNYYNYNYNN ISODATA算法流程圖其初始的集群組是隨機地在整幅圖像的特征空間選擇Cmax，基本的步驟為：①初始隨機的選擇Cmax 中心；②計算其他像元離這些中心的距離，按照最小距離規(guī)則劃分到其對應的集群中；③重新計算每個集群的均值，按照前面定義的參數合并或分開集群組；④重復②和③，直到達到最大不變像元百分比，或者最長運轉時間。主要優(yōu)點：無需對分類區(qū)域有廣泛地了解，僅需一定的知識來解釋分類出的集群組；人為誤差的機會減少，需輸入的初始參數較少（往往僅需給出所要分出的集群數量、計算迭代次數、分類誤差的閾值等）；可以形成范圍很小但具有獨特光譜特征的集群，所分的類別比監(jiān)督分類的類別更均質；獨特的、覆蓋量小的類別均能夠被識別。 主要缺點：對其結果需進行大量分析及后處理，才能得到可靠分類結果；分類出的集群與地類間，或對應、或不對應，加上普遍存在的“同物異譜”及“異物同譜”現(xiàn)象，使集群組與類別的匹配難度大；因各類別光譜特征隨時間、地形等變化，則不同圖像間的光譜集群組無法保持其連續(xù)性，難以對比。決策樹分類作為一種基于空間數據挖掘和知識發(fā)現(xiàn)(Spatial Data Mining and Knowledge Discovery，SDM＆KD)的監(jiān)督分類方法，突破了以往分類樹或分類規(guī)則的構建要利用分類者的生態(tài)學和遙感知識先驗確定、其結果往往與其經驗和專業(yè)知識水平密切相關的問題，而是通過決策樹學習過程得到分類規(guī)則并進行分類，分類樣本屬于嚴格“非參”，不需要滿足正態(tài)分布，可以充分利用GIS數據庫中的地學知識輔助分類，大大提高了分類精度。（1）決策樹分類算法決策樹算法：決策樹(Decision tree)是通過對訓練樣本進行歸納學習生成決策樹或決策規(guī)則，然后使用決策樹或決策規(guī)則對新數據進行分類的一種數學方法。決策樹是一個樹型結構，它由一個根結點(Rootnode)、一系列內部結點(Internal nodes)及葉結點(Leaf nodes)組成每一結點只有一個父結點和兩個或多個子結點，結點間通過分支相連。決策樹的每個內部結點對應一個非類別屬性或屬性的集合(也稱為測試屬性)，每條邊對應該屬性的每個可能值。決策樹的葉結點對應一個類別屬性值，不同的葉結點可以對應相同的類別屬性值。決策樹除了以樹的形式表示外，還可以表示為一組IF—THEN形式的產生式規(guī)則。決策樹中每條由根到葉的路徑對應著一條規(guī)則，規(guī)則的條件是這條路徑上所有結點屬性值的舍取，規(guī)則的結論是這條路徑上葉結點的類別屬性。與其它分類方法相比，規(guī)則更簡潔、更便于人們理解、使用和修改，可以構成專家系統(tǒng)的基礎。因此在實際應用中更多的是使用規(guī)則。構造決策樹的方法是采用自上而下的遞歸構造，其思路是：■ 以代表訓練樣本的單個結點開始建樹（步驟1）?！?如果樣本都在同一類，則該結點成為樹葉，并用該類標記（步驟2和3）。■ 否則，算法使用稱為信息增益的機遇熵的度量為啟發(fā)信息，選擇能最好地將樣本分類的屬性（步驟6）。該屬性成為該結點的“測試”或“判定”屬性（步驟7）。值得注意的是，在這類算法中，所有的屬性都是分類的，即取離散值的。連續(xù)值的屬性必須離散化。■ 對測試屬性的每個已知的值，創(chuàng)建一個分支，并據此劃分樣本（步驟8~10）?！?算法使用同樣的過程，遞歸地形成每個劃分上的樣本決策樹。一旦一個屬性出現(xiàn)在一個結點上，就不必考慮該結點的任何后代（步驟13）?！?遞歸劃分步驟，當下列條件之一成立時停止：（a）給定結點的所有樣本屬于同一類（步驟2和3）。（b）沒有剩余屬性可以用來進一步劃分樣本（步驟4）。在此情況下，采用多數表決（步驟5）。這涉及將給定的結點轉換成樹葉，并用samples中的多數所在類別標記它。換一種方式，可以存放結點樣本的類分布。（c）分支test_attribute=ai 沒有樣本。在這種情況下，以samples中的多數類創(chuàng)建一個樹葉（步驟12）。算法 Decision_Tree(samples,attribute_list)輸入 由離散值屬性描述的訓練樣本集samples。候選屬性集合attribute_list。輸出 一棵決策樹。（1） 創(chuàng)建節(jié)點N；（2） If samples 都在同一類C中then （3） 返回N作為葉節(jié)點，以類C標記；（4） If attribute_list為空then （5） 返回N作為葉節(jié)點，以samples 中最普遍的類標記；//多數表決（6） 選擇attribute_list 中具有最高信息增益的屬性test_attribute。（7） 以test_attribute 標記節(jié)點N；（8） For each test_attribute 的已知值v //劃分 samples（9） 由節(jié)點N分出一個對應test_attribute=v的分支；（10）令Sv為 samples中 test_attribute=v 的樣本集合；//一個劃分塊（11） If Sv為空 then （12） 加上一個葉節(jié)點，以samples中最普遍的類標記；（13） Else 加入一個由Decision_Tree(Sv,attribute_listtest_attribute返回節(jié)點值。決策樹方法主要是決策樹學習和決策樹分類兩個過程。決策樹學習過程是通過對訓練樣本進行歸納學習(Inductive 1earning)，生成以決策樹形式表示的分類規(guī)則的機器學習(Machine learning)過程。決策樹學習的實質是從一組無次序、無規(guī)則的事例中推理出決策樹表示形式的分類規(guī)則。決策樹學習算法的輸入是由屬性和屬性值表示的訓練樣本集，輸出是一棵決策樹(也可以擴展為其它的表示形式，如規(guī)則集等)。決策樹的生成通常采用自頂向下的遞歸方式，通過某種方法選擇最優(yōu)的屬性作為樹的結點。在結點上進行屬性值的比較并根據各訓練樣本對應的不同屬性值判斷從該結點向下的分支，在每個分支子集中重復建立下層結點和分支，并在一定條件下停止樹的生長，在決策樹的葉結點得到結論，形成決策樹。通過對訓練樣本進行決策樹學習生成決策樹，決策樹可以根據屬性的取值對一個未知樣本集進行分類。訓練樣本集屬性分類生成決策樹修剪決策樹評估決策樹決策樹決策樹規(guī)則集分類結果待分數劇集分類 （2）決策樹技術應用于遙感影像的土地利分類過程中的優(yōu)點決策械方法不需要假設先驗概率分布，這種非參數化的特點使其具有更好的靈活性和魯棒性，因此，當遙感影像數據特征的空間分布很復雜，或者多源數據各維具有不同的統(tǒng)計分布和尺度時，用決策樹分類法能獲得理想的分類結果；決策樹技術不僅可以利用連續(xù)實數或離散數值的樣本，而且可以利用“語義數據”，比如離散的語義數值：東、南、西、北、東南、東北、西南、西北；決策樹方法生成的決策樹或產生式規(guī)則集具有結構簡單直觀、容易理解、以及計算效率高的特點，可以供專家分析、判斷和修正，也可以輸入到專家系統(tǒng)中，而且對于大數據量的遙感影像處理更有優(yōu)勢；決策樹方法能夠有效地抑制訓練樣本噪音和解決屬性缺失問題，因此可以解決由于訓練樣本存在噪聲(可能由傳感器噪聲、漏掃描、信號混合、各種預處理誤差等原因造成)使得分類精度降低的問題。 人工神經網絡方法 人工神經網絡(ARTIFICIAL NEURAL NETWORK,.)是在對人腦組織結構和運行機制的認識理解基礎之上模擬其結構和智能行為的一種工程系統(tǒng)。人工神經網絡是由大量處理單元(神經元)廣泛連接而成的網絡，是人腦的某種抽象、簡化與模擬，反映了人腦的基本特征。四十年代，心理學家Mc Culloch和數學家Pitts合作最早提出了形式神經元的數學模型。作為人工智能的人工神經網絡系統(tǒng)的研究則是五十年代末和六十年代初開始的。到七十年代中后期，傳統(tǒng)的Von Neumann計算機在人工智能領域遇到了不可克服的困難，神經網絡以其高度的適應性獲得越來越多的重視。在神經網絡中，網絡的信息處理是由神經元之間的相互連接實現(xiàn)的，知識和信息表現(xiàn)為神經元之間的相互連接。信息存儲和處理都具有分布性并行性的特點，具有良好的魯棒性(Robustness)和自適應性。在處理以數據量多、含混度高著稱的遙感圖像的模式識別問題時，利用多層神經網絡有利于實現(xiàn)多特征空間的非線性劃分。用計算機模擬實現(xiàn)這一網絡模型來進行遙感圖像的模式識別時完全可能的。目前己經提出了多種用于模式分類的神經網絡數學模型和學習算法，比較典型的有感知機、多層BP網絡、RBP網絡、自組織映射的Kohonen網絡等。神經網絡分類是一種非參數方法，它不需要對模式的概率分布函數作某種假定或估計，具有良好的適應能力。近年來，基于神經網絡的分類方法越來越引起人們的重視。 支撐向量機支撐向量機主要思想是建立一個超平面作為決策曲面，使得正例和反例之間的隔離邊緣被最大化。同理，在多維空間假定訓練數據可以被一個超平面分開，如果這個向量集合能被超平面沒有錯誤地分開，并且離超平面最近的向量與超平面之間的距離最大，則稱這個向量集合被這個最優(yōu)超平面(Optimal Separating Hyperplane，簡稱OSH)最大分開。給定樣本集：∈， {1，1} ∈[ （）分類間隔等于2/，上的訓練樣本點就稱作支撐向量。利用Lagrange優(yōu)化方法可以把上述最優(yōu)分類面問題轉化為其對偶問題，即在約束條件和下對求解下列函數的最大值： （）為與每個樣本的對應的Language乘子，求解對應的樣本就是支撐向量，得到最優(yōu)的分類函數： （）對于非線性問題，可以通過非線性變換轉化為某個高維空間中的線性問題，在變換空間最優(yōu)分類面，選用合適的核函數滿足Mercer條件變換，到高維空間，目標函數（）變換為 （）相應的分類函數變?yōu)? （）SVM有以下幾個優(yōu)點：構造SVM可以加快學習過程；構造SVM能夠解決一些其他方法無法解決的問題；構造決策股則的同時，得到了支持向量；新的決策函數只通過改變定義空間的核函數即可實現(xiàn)。 專家系統(tǒng)知識專家系統(tǒng)是人工智能的一個分支，采用人工智能語言如LISP、PROLOG 或C 語言，將某一領域的專家分析方法或經驗，對對象的多種屬性進行分析、判斷，確定事物的歸屬。 其核心內容是知識庫（Knowledge Base）和推理機（Inference Engine），知識庫中存儲著多種與影像解譯有關的知識和經驗，專家的經驗和知識以某種形式，如產生規(guī)則IF 條件 THEN 假設 CF （其中CF 為可信度）表示，由諸多知識組成知識庫。 待處理的對象，按某種形式將其所有屬性組合在一起，作為一個事實，然后由一條條事實，形成事實庫。 每一個事實與知識庫中的每一知識按一定的推理方式進行匹配，當一個事物的屬性滿足知識中的條件項，或大部分滿足時，則按知識中的THEN 以置信度確定歸屬。 專家系統(tǒng)方法由于總結了某一領域內專家分析方法，可容納更多信息，即上述條件可以包括各種所需的或可獲取的信息，按某種可信度進行不確定性推理，因而具有更強大的功能。專家系統(tǒng)的思想是模擬人類組合各種帶有因果關系的知識推理并得出結論。專家系統(tǒng)一般包括知識庫和推理機兩個相互獨立的部分。知識庫是問題求解所需領域知識的集合，其中的知識源于領域專家，是決定專家系統(tǒng)的關鍵，即知識庫中知識的質量水平，用戶可以通過改變、完善知識庫中的知識來提高專家系統(tǒng)的性能。推理機實施問題求解的核心執(zhí)行機構，它實際上是對知識進行解釋的程序，根據知識的語義，對俺一定策略找到的知識進行解釋執(zhí)行。在遙感影像的分類過程中，遙感數據和空間數據都輸入到推理幾種，推理機根據知識庫中的專家知識對新輸入的數據進行推理判斷，歸入相應的分類類別。轉機系統(tǒng)分類技術相對于以統(tǒng)計像元分析為主的傳統(tǒng)分類技術有了巨大的飛躍，它不但對單像元的多光譜特征進行分析研究，還依靠專家系統(tǒng)綜合相關的空間關系和其它的上下文信息，地標高度、坡度、坡向及覆蓋形狀等，采取綜合利用空間運算的能力解釋影像并確定專題類型。 精度評估如果不對分類結果進行精度評價，一個分類過程是不完整的。由于“同物異譜”或“異物同譜”現(xiàn)象在遙感圖像中的普遍存在，以及樣本選擇過程中的人為誤差等因素的影響，每一種分類器的分類結果都會存在不同程度的偶然性，即分類的結果不可能達到與地物的真實分布完全對應。因此對分類的結果進行分析與評價是整個分類過程中的一個重要的、必不可少的環(huán)節(jié) 。本論文中進行分類精度評價的目的包括兩方面的內容:一是比較相同特征下不同分類器的分類能力；二是比較相同分類器不同特征的分類能力。 分類結果的精度計算可以用抽樣像元中分類正確的像元數和誤分的像元數來表示，也可用實際類型與分類類型的二維表(分類精度矩陣)來表示。其中分類精度矩陣是目前研究者使用較多的一種方法。分類矩陣是一個N階方陣，它表示抽樣單元中被分到某一類而經過檢驗屬于該類的數目。矩陣中列一般表示參考數據，行表示分類數據，分類結果的總精度是所有分類正確的像元數與總的抽樣數之比。每一類精度也可用類似的方法計算。本文也采用誤差矩陣總精度和Kappa系數來進行。誤差矩陣(也稱混淆矩陣)是表示精度評價的一種常用的標準格式，是指將分類數據(通常作為行)同參考數據(通常作為列)相比較而形成的矩陣表格，其中主對角線代表正確分類即一致的情況，非主對角線代表錯誤分類即不一致的情況。誤差矩陣可以提供三種描述性精度指標:總體精度( overall accuraoy)、生產者精度(pro