概述
分类方法
技术路线
面向对象决策树分类
A地区分类阈值折线图
B地区分类阈值折线图
根据获得的各波段折线图来实现规则输入。由图2可知,b4波段4类分类对象有明显的区别,水体在b4波段的12000闭值以下,由此可优先建立分类水体和非水体的决策树规则定义,定义b4小于12000为第一个决策树分类规则;剩余的3类分类对象,可由b2波段进行分类,b2波段的植被处于一个闭值,分类中的耕地与荒地都属于植被这一类,因此可以用b2波段进行决策树分类,进而分类出城市类别;建立b2大于10000闭值这一个定义规则,就可以完成植被与非植被的决策树规则定义;采用b5波段将耕地与荒地区分开,建立b5小于并等于8400这一定义规则,即可分类出耕地与荒地,完成最后一步决策树分类。采用同样的方法完成图B地区的高分辨影像规则输入。
A地区原始影像与分类结果
B地区原始影像与分类结果
监督分类
A地区原始影像与分类结果
B地区原始影像与分类结果
自动阈值决策树分类
运用ENVI软件基于CART算法的决策树规则自动获取扩展工具RuleGen实现决策树规则的构建。首先,选择与面向对象决策树分类方法相应的样本,便于对分类结果进行效果比较。然后运用RuleGen模块运行决策树分类规则的定义,并显示出决策树,依次完成自动闭值决策树分类,结果如图所示。
A地区原始影像与分类结果
B地区原始影像与分类结果
精度评定
分类精度评价是先通过建立地面验证数据(Ground Truth)的混淆矩阵或误差矩阵(Confusion Matrix or Error Matrix)然后再计算各种分类精度的测度指标,如Kappa系数、分类总精度等来进行的。采用自定义的ROI区域进行分类精度评定。A地区三种分类方法精度评定结果如图所示,B地区三种分类方法精度评定结果如图所示。
A地区监督分类
A地区自动阈值决策树分类
A地区面向对象决策树分类
B地区监督分类
B地区自动阈值决策树分类
B地区面向对象决策树分类
从分类精度结果看,中等分辨率A地区影像分类中,传统分类方法比两种决策树分类方法分类总精度高,Kappa系数也远远高于两种决策树方法。A地区监督分类法的分类精度为82.8798%, Kappa系数为0. 7471;自动闭值决策树分类法的分类精度为71. 4095%, Kappa系数为0. 5689。
面向对象决策树分类法精度仅为26.4628%, Kappa系数只有0. 0124。在两种决策树方法中,面向对象决策树方法相对于自动闭值决策树方法有较高的分类精度和较好的分类效果,可以很清晰地目视地物类别。传统分类方法的精度在中等分辨率(A地区)影像分类中的分类效果均优于决策树分类方法,由于中等分辨率的影像分辨率较低,因此无法在面向对象决策树分类法的初期建立良好的决策树规则,所以会出现其分类结果不如传统的监督分类结果。在高分辨率(B地区)影像分类中,面向对象决策树分类方法分类总精度和Kappa系数均比传统分类方法和自动闭值决策树分类方法高。B地区监督分类法的分类精度为87.3171%, Kappa系数为0. 6660;自动闭值决策树分类法的分类精度为63.9956%, Kappa系数为0. 3316;面向对象决策树分类法精度为91.9594%, Kappa系数为0. 7355。自动闭值决策树分类方法可能需要借助一些特征信息才能达到较高的精度,决策树分类法的结果优于传统监督分类法,特别是面向对象决策树分类法具有很高的分类精度,且能清晰的分类出地物。