【正文】 Decion TreeBuid Decion Tree按照上面的規(guī)則編寫決策樹。3執(zhí)行決策樹具體操作步驟：點擊主菜單ClassificationDecion TreeExecute Decion 。裸地其它草地沙地樹木耕地在主圖像窗口選擇Overlay Classfication 打開對話框（），進行疊加，通過選擇要疊合的類別進行疊加（），同時還可以對各類別的做些細微調(diào)整，將錯分的像元劃歸到正確的類別。具體操作步驟：EditMode對分類結(jié)果進行處理，對錯分的像元進行糾正。 類別的編輯和疊合 精度的比較再次從原圖像選擇驗證樣本（檢驗樣本的可分離度見附錄二），對分類結(jié)束后的樣本進行精度評估，在檢驗樣本符合要求的情況下對分類結(jié)果進行評估。然后再對分類結(jié)果進行統(tǒng)計，分類結(jié)果的精度見表51。表51 分類結(jié)果精度系數(shù)分類方法Overall AccuracyKappa Coefficient最大似然發(fā)%最小距離法%人工神經(jīng)元網(wǎng)絡(luò)%支撐向量機%決策樹%對以上實驗結(jié)果進行對比分析，可以得出這幾種分類方法中，支持向量機分類法具有最高的分類精度，對于容易錯分的地物也得到了比較好的區(qū)分，能更準確地提取出目標地物，但是計算時間長。最小距離分類法的分類精度最低，但是算法簡單，計算時間相當短。最大似然分類法、神經(jīng)網(wǎng)絡(luò)分類法和決策樹分類方法的精度也很高，但是最大似然法的計算時間很短，神經(jīng)網(wǎng)絡(luò)法和決策樹的計算時間是這四種分類方法中較長的。所以像支持向量機分類法這樣的新方法可以更加深入廣泛地應(yīng)用。同樣的，若是神經(jīng)網(wǎng)絡(luò)模型建立合理，速度應(yīng)該也會加快，甚至超過傳統(tǒng)分類方法。但由于在知識的獲取、量化及綜合不確定性知識等方面是專家系統(tǒng)較難處理的問題，決策樹的分類精度受到一定的限制，最小距離分類法的精度不高，主要是受模式散布影響，在全圖范圍內(nèi)一次性地對所有地物分類，分類地物之間容易由于相近的光譜信息互相干擾。最大似然法由于分類精度較高，且計算時間快，所以仍是使用較多的分類方法。從各地物的分類精度計算結(jié)果看：圖像中水體、耕地、林地、沙地等分類精度較好；而草地和裸地的分類效果較差。經(jīng)分析，這兩類分類精度低的主要原因是他們的光譜特征非常相近，分類過程中存在相互錯分的現(xiàn)象。這兩類的區(qū)分將是進一步研究的方向。對于以上幾種分類方法的總體分類精度(%，%，%，%，%)和Kaapa系數(shù)而言，二者的計算結(jié)果都較高，而且相差不大。雖然最大似然法分類的精度要高一點，但不能說最大似然法和支持向量機的分類效果好。分類精度的評價必須從多個方面綜合評價才能得出結(jié)論。我們從前面對分類結(jié)果圖像的分析來看，最大似然法分類中明顯存在很多誤分的像元。再來看分類使用的訓練樣本和檢驗樣本是從樣本區(qū)中隨機選取的，在分類結(jié)果中誤分的像元不在檢驗樣本中。因而綜合對分類結(jié)果圖的分析，我們得出:最大似然法和支撐向量機的分類精度較高。第五章 結(jié)論和展望遙感影像的監(jiān)督分類與非監(jiān)督分類的理論、分類過程以及具體方法都不相同，在分類思路上有著本質(zhì)的差別。因此，在影像分類中，這兩種方法并不能夠完全割裂開來，具體選擇哪種方法取決于圖像的特征、應(yīng)用要求和所利用的計算機軟硬件環(huán)境，根據(jù)實際的需要，合理科學靈活的運用這兩種方法，必要的時可混合使用兩種方法，使影像分類達到預期的目的。　 傳統(tǒng)的遙感圖像分類方法如目視解譯、監(jiān)督分類和非監(jiān)督分類, 算法成熟、操作簡單, 仍然是目前應(yīng)用較多的方法。近年來發(fā)展起來的分類新方法：決策樹分類法、綜合閾值法、專家系統(tǒng)分類法、神經(jīng)網(wǎng)絡(luò)分類法, 以及基于頻譜特征的分類法等, 能夠更準確地提取出目標地物, 對圖像分類有不同程度的改進, 在實際應(yīng)用中通常和傳統(tǒng)分類方法結(jié)合起來使用。基于知識的專家系統(tǒng)應(yīng)用，是遙感影像土地覆蓋分類的發(fā)展趨勢。 在專家系統(tǒng)中，證據(jù)推理、概率似然推理和模糊推理理論的發(fā)展使基于知識的專家系統(tǒng)逐步實用化，但在知識的獲取、量化及綜合不確定性知識等方面是專家系統(tǒng)較難處理的問題，也是進一步研究的熱點. 另外，在現(xiàn)有分類模型的基礎(chǔ)上，更多地關(guān)注遙感數(shù)據(jù)預處理，也是提高遙感影像分類的有效途徑。隨著遙感技術(shù)的不斷發(fā)展, 遙感圖像的分辨率有了很大提高, 但圖像分類技術(shù)還跟不上遙感技術(shù)自身的發(fā)展。盡管有不少人從不同角度出發(fā)提出了很多分類方法, 但是還沒有哪一種是普適高效的。隨著遙感技術(shù)、計算機技術(shù)的進一步發(fā)展及相互滲透, 遙感獲得的信息將越來越多、越來越全面, 新算法和新理論的研究也將不斷深入, 再結(jié)合其他輔助信息與特征, 遙感圖像的分類精度必將得到顯著的提高。參考文獻[1] 李石華，王金亮，畢艷，陳姚，朱妙園，楊帥，朱佳． 遙感圖像分類方法研究綜述［J］． 國土資源遙感， 2005，( 2) : 1 － 6．[2] 鄧書斌． ENVI 遙感圖像處理方法［M］． 北京: 科學出版社， 2010．[3] 周興東, 于勝文, 趙長勝, 等1基于遙感圖象的土地利用分類方法研究[J ]. 水土保持研究, 2007, 14 (4) : 39 – 42.[4] 陳君穎, 田慶久1高分辨率遙感植被分類研究[ J ]. 遙感學報, 2007, 11 (2) : 221 – 227.[5] 劉　禮, 于　強1分層分類與監(jiān)督分類相結(jié)合的遙感分類法研究[J ]. 林業(yè)調(diào)查規(guī)劃, 2007, 32 (4) : 37 39, 44. [6] 王莉雯, 衛(wèi)亞星, ?！″P1基于遙感的青海省植被覆蓋時空變化定量分析[ J ]. 環(huán)境科學, 2008, 29 ( 6 ) :1754 – 1760.[7] 陳定貴, 周德民, 呂憲國, 等1三江平原洪河自然保護區(qū)濕地遙感分類研究[ J ]. 遙感技術(shù)與應(yīng)用, 2007,22 (4) : 485 – 491.[8] 馬振剛, 李黎黎1洋河流域遙感圖像土地利用分類方法研究[ J ]. 職業(yè)圈, 2007, (08X) : 164 165, 189. [9] 張蓬濤, 周　雁, 劉曉莊, 等1人工神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)自然資源研究中的應(yīng)用[ J ]. 安徽農(nóng)業(yè)科學, 2007,35 (27) : 8711 – 8713.[10] 孫秀邦, 范　偉, 嚴　平, 等1遙感影像土地覆被分類研究進展[ J ]. 中國農(nóng)學通報, 2007, 23 (9) : 607 – 610. [11] 李金蓮, 劉曉玫, 李恒鵬1SPOT5 影像紋理特征提取與土地利用信息識別方法[ J ]. 遙感報, 2006, 10 ( 6 ) :926 – 931.[12] 黃　昕, 張良培, 李平湘1基于多尺度特征融合和支持向量機的高分辨率遙感影像分類[ J ]. 遙感學報,2007, 11 (1) : 48 – 54.[13] 肖鵬峰, 馮學智, 阮仁宗, 等1基于頻域最小距離的SPOT ( Pan ) 圖像紋理分類算法[ J ]. 遙感信息,2006, (1) : 3 – 5.[14] 崔林麗, 唐　娉, 趙忠明, 等1一種基于對象和多種特征整合的分類識別方法研究[ J ]. 遙感學報, 2006,10 (1) : 104 – 110.[15] 張蓬濤, 周　雁, 劉曉莊, 等1人工神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)自然資源研究中的應(yīng)用[ J ]. 安徽農(nóng)業(yè)科學, 2007,35 (27) : 8711 – 8713.[16] 張　肅1地物頻譜在解譯遙感圖像中的應(yīng)用研究[ J ].成都理工大學學報(自然科學版) , 2006, 33 ( 2 ) :198 – 202.[17] 駱劍承，周成虎，[J].遙感學報，2001，5（2）：122129.[18] 陳姝，［J］.河北農(nóng)業(yè)科學，2009，13（1）：143－146.[19] Fan R E，Chen P H，Lin C set selection using the second order information for training SVM[J].Journal of Machine Learning Research，2005（6）：18891918.[20] Platt training of support vector machines using sequentialminimal optimization[J].Advances in Kernel MethodsSupport Vecto rLearning.[.]：MIT Press，1999：185208.致謝大學四年即將離去，我們馬上要迎來人生的重要時刻——由校園步入社會。時間如梭，歲月如電，我們在大學的時間就這樣畫上了句號，心中的不舍難以言表。在這四年里，我不僅從老師們那里學到了我一生都將視為財富的知識，還在他們的關(guān)懷下找到了人生的方向和前進的動力。忘不了老師們的孜孜不倦，忘不了老師的深刻教誨，更忘不了老師的無私付出。在此誠摯的向我敬愛的老師說聲謝謝。更要感謝汪金花老師在畢業(yè)論文的思路和方向上給與我的意見和參考，讓我能夠真正的理解和掌握所要研究的內(nèi)容。此外，我還要感謝我身邊的同學們陪我走過了這么讓人難忘的、永遠鐫刻的于心的美好時光。你我的歡喜憂愁時刻分享，你我的艱難困苦共同分擔，你我的美好前程攜手打拼。有你們在，奮斗的路上我不再孤單。附錄一Input File: ROI Name: (JeffriesMatusita, Transformed Divergence) 耕地 [Red] 286 points: 樹木 [Green] 276 points: ( ) 裸地 [Blue] 270 points: ( ) 沙地 [Yellow] 252 points: ( ) 草地 [Cyan] 279 points: ( ) 其它 [Magenta] 251 points: ( ) 樹木 [Green] 276 points: 耕地 [Red] 286 points: ( ) 裸地 [Blue] 270 points: ( ) 沙地 [Yellow] 252 points: ( ) 草地 [Cyan] 279 points: ( ) 其它 [Magenta] 251 points: ( ) 裸地 [Blue] 270 points: 耕地 [Red] 286 points: ( ) 樹木 [Green] 276 points: ( ) 沙地 [Yellow] 252 points: ( ) 草地 [Cyan] 279 points: ( ) 其它 [Magenta] 251 points: ( ) 沙地 [Yellow] 252 points: 耕地 [Red] 286 points: ( ) 樹木 [Green] 276 points: ( ) 裸地 [Blue] 270 points: ( ) 草地 [Cyan] 279 points: ( ) 其它 [Magenta] 251 points: ( ) 草地 [Cyan] 279 points: 耕地 [Red] 286 points: ( ) 樹木 [Green] 276 points: ( ) 裸地 [Blue] 270 points: ( ) 沙地 [Yellow] 252 points: ( ) 其它 [Magenta] 251 points: ( ) 其它 [Magenta] 251 points: 耕地 [Red] 286 points: ( ) 樹木 [Green] 276 points: ( ) 裸地 [Blue] 270 points: ( ) 沙地 [Yellow] 252 points: ( ) 草地 [Cyan] 279 points: ( ) Pair Separation (least to most)。 裸地 [Blue] 270 points and 草地 [Cyan] 279 points 樹木 [Green] 276 points and 草地 [Cyan] 279 points 樹木 [Green] 276 points and 其它 [Magenta] 251 points 沙地 [Yellow] 252 points and 草地 [Cyan] 279 points 裸地 [Blue] 270 points and 沙地 [Yellow] 252 points 耕地 [Red] 286 points and 草地 [Cyan] 279 points 耕地 [Red] 286 points and 樹木 [Green] 276 points 耕地 [Red] 286 points and 裸地 [Blue] 270 points 樹木 [Green] 276 points and 裸地 [Blue] 270 points 耕地 [Red] 286 points and 沙地 [Yellow] 252 points 樹木 [Green] 276 points and 沙地 [Yellow] 252 points 草地 [Cyan] 279 points and 其它 [Magenta] 251 points 裸地 [Blue] 270 point