题目

英语翻译
摘要
高光谱遥感影像具有数十至数百个各波段的数据,为人们了解地物提供了丰富的信息,这对地物的分类和目标的识别是十分有利的.高光谱遥感数据记录了地物目标的连续光谱.和其他类型的遥感影像相比,信息量更丰富,因而具备了识别更多种类的地物目标,以及以更高的精度进行目标分类的能力.但是,由于高光谱遥感影像数据量大,且存在数据冗余的现象,目前在对其进行分类时,常常需要先对数据进行降维,再利用其他一些分类算法分类.这样做增加了工作量,整个分类过程未能实现“一体化”、“自动化”.
决策树算法具有灵活、直观、清晰、强健、运算效率高等特点,在遥感影像分类领域值得研究.目前比较成熟的决策树算法有ID3算法、C4.5算法、CART算法、C5.0算法等,它们比较适用于离散型的数据集的分类,且处理的数据集大小有限,因此用来处理遥感数据就存在着一定的不足,需研究一种适合于遥感影像分类的决策树.
将决策树分类技术与高光谱遥感数据分类相结合,可以利用决策树的优势,充分挖掘高光谱数据中最有用的信息,对于研究高光谱遥感影像分类新方法,对于提高地物目标的识别能力和分类精度,都具有重大的理论和实际意义.本文研究了基于决策树的高光谱遥感影像分类方法,提出了一种决策树自动构建算法.试验通过对高光谱遥感影像进行现场采样,对样本进行训练,从而自动生成一棵二叉分类决策树,并对影像进行分类.决策树在每个决策节点处选择最具优势的波段和阈值,整棵树简单明了,分类规则易于理解,分类效率和精度都比较高.实现了高光谱遥感影像从数据降维、样本选择、样本训练、决策树生成、影像分类的“一体化”和“自动化”.
关键词：二叉决策树,高光谱遥感影像分类,均值间标准距离,最佳阈值,自动构建

提问时间：2020-07-25

答案

abstractHyperspectral remote sensing images with dozens of to hundreds of each band of data, for people to understand the features provides abundant information, the classification and features of rec...