基于決策樹的遙感圖像分類綜述

張潤雷

（嘉興市第一中學，浙江嘉興，314000）

1 遙感技術概要及應用

遙感是一項在20世紀60年代逐步發展起來的新興技術，經過一系列的技術革新，如今已經成為人們獲取地球表面信息的主要方法之一。遙感指的是“遙遠的感知”，陳述彭院士[1]認為其狹義含義為“從遠距離、高空以至外層空間的各種平臺上，利用可見光、紅外、微波等探 測儀器，通過攝影或掃描，信息感應、傳輸和處理，從而識別地面物質的性質和運動狀態的一門現代化技術科學”。目前遙感主要通過搭載一系列光學、電子儀器的航天器，從遙遠的宇宙采集地球表面物體輻射和反射的電磁波信息，并且傳回地球，提供給人們進行一系列分析，以獲得地球的地質地貌、資源分布、土壤類型、植被覆蓋等種種信息，這些信息具有極大的參考意義和研究價值。隨著“數字地球”概念的提出，并基于遙感技術觀測范圍廣、獲取信息速度快、觀測具有周期性等其他技術無可比擬的優點，以及觀測數據多波段、多時相、全天候的特點，這項技術被廣泛應用在生產生活的方方面面。從環境監測、大氣探測、海洋觀測，到對資源、地質、森林、農田的信息提取和分析，再到日常生活常見的衛星地圖、衛星云圖，都離不開遙感技術。

然而，獲取了遙感器傳回的遙感圖像和數據后，如何讓對其進行數據處理和分類，一直是這門學科上的一個難題。現有的遙感圖像的分類方法可分為人工分類和計算機自動分類兩種，由于人工分類消耗的人力多，時間長，效率低，且對專業知識需求高，目前的研究中大多采用計算機進行數據分類處理。

遙感圖像上的數據十分龐大，利用計算機進行遙感圖像分類的重點之一便是從眾多的數據中提取有用的信息，并通過分類技術實現遙感圖像的分類。遙感圖像上的光譜特征是最重要的一項分類依據，但是，僅僅依靠不同波段的光譜特征分類已無法滿足現今高精確度的遙感圖像的分析處理。因此，現在更多地要求從像元的光譜特征及其與周圍像元之間的空間聯系著手，將圖像紋理（例如形狀、大小、圖案、色調等）納入遙感圖像分類的依據。另外，另一維度時間的引入，增加了對其隨時間變化的分析。所以遙感圖像分類所需的計算量越來越大，變得更加復雜，愈發迫切地要求更加迅速便捷的分類算法的創新與改進。

2 決策樹算法

目前已有的分類方法有最大似然法、神經網絡分類法、支持向量機分類法、模糊分類法等等，但這些方法都在分類精度或是應用難度上存在不足，實際應用中存在一定困難。在眾多遙感圖像分類方法中，決策樹憑借它簡單高效、邏輯性強的模型，且可以廣泛用于無規則、無次序的樣本數據集等優點成為是一種較為常用的監督分類方法。

2.1 決策樹模型

決策樹是樹形結構的分類預測模型，其由代表屬性或特征的根節點、內部節點以及代表類別屬性的葉子節點等組成。除此之外決策樹還可以表示成為一組IF-THEN形式的產生式規則，每條規則即為由根節點到葉子節點的每條路徑。

決策樹方法可以分為決策樹生成和決策樹分類兩大部分。

決策樹生成過程，實際上是一個分類的規則集的生成過程。主要流程是用留出法、k-折交叉驗證法或自助法等，從已分類的數據集中獲取幾組互斥的測試集和訓練集，之后對選出的訓練集進行學習，通過遞歸算法選取節點的最優屬性分類標準，形成一個個節點，最終形成決策樹。在構造決策樹的過程中還需要進行剪枝等處理，之后將測試集放到決策樹中進行性能測試，最終得到一棵最適合這個數據集分類、擁有較好的泛化能力的決策樹，也就是得到了一套分類的規則。

決策樹生成的關鍵在用于生成節點的遞歸算法。算法的輸入為上一節點分類后的數據子集。遞歸算法的遞歸出口有三個：

（1）該節點上的樣本類別已經完全相同，無需繼續分類；

（2）該節點的屬性集為空，或是所有樣本在所有屬性上取值相同，無法繼續分類；

（3）節點上樣本集合為空，不能繼續分類。

遞歸算法首先判斷輸入的數據子集是否滿足遞歸出口（1）（2），若滿足則結束遞歸形成葉子節點，若不滿足則通過一定指標選取最優劃分屬性進行劃分，對于劃分后的數據子集，判斷是否滿足遞歸出口（3），若滿足則形成葉子節點，若不滿足則遞歸調用算法。

決策樹生成遞歸算法的核心是最優屬性的選取。采用不同指標進行最優屬性選取就衍生出了不同的決策樹算法，目前常用的決策樹算法有ID3、 CART、C4.5、隨機森林等。

決策樹的分類則對于輸入的單個對象，按照每個節點上的分類規則，進行判斷，層層向下找到對應的子節點，最終就可以找到葉子節點，即為分類結果。

2.2 決策樹優勢

決策樹算法能夠被人們廣泛接受和使用，是因為它有著其他算法無可比擬的優點：

(1)決策樹的樹狀分類結構是通過決策樹自我學習得到的一套分類規則，對專業知識水平要求低；

(2)決策樹學習訓練樣本數據速度快、效率高，且結果準確性相比于傳統算法也令人滿意；

(3)決策樹的獨特算法結構不需要假設先驗概率分布，因此具有較好的靈活性和魯棒性；

(4)決策樹對連續或離散的數據都可以進行分類，應用范圍廣；

(5)決策樹的結構直觀簡潔，方便理解，容易進行分析和修正。

2.3 決策樹應用于遙感圖像分類的基本流程

圖1 決策樹算法應用于遙感圖像分類的基本流程

整體流程如圖 1所示。首先是決策樹的生成過程，為方便分類，先將遙感圖像數據進行預處理，并進行分割和特征提??；之后進行隨機采樣，用自助法或留出法等方法獲得幾組訓練集和測試集；再利用上文提到的ID3或C4.5等方法對訓練集進行學習，構造成決策樹；由于可能有“過擬合”情況的存在，因此要通過剪枝，主動去掉一些分支來降低過擬合的風險，提高決策樹精度和效率。完成這些步驟后，用測試集對已構造的決策樹進行評價，達到預期精度要求后才能形成一套規則集，用于之后的圖像分類中。

在決策樹分類時，輸入待分類的遙感圖像到已生成的決策樹規則集中，按照其分類規則進行分類，得到最終的分類結果。

3 國內研究現狀

在國內，應用決策樹進行遙感圖像分類的研究主要包括：

2006年，南京林業大學的陳鑫[2]針對目前遙感圖像分類技術中傳統方法數據利用不充分、計算速度慢、無法處理復雜的高光譜遙感圖像、實用性差等問題展開研究，發現決策樹算法在遙感圖像分類方面具有直觀、靈活、效率高等特點。隨后通過應用到實際遙感圖像分類中的實驗，分析比較了6種決策樹算法，包括CART、卡方自動交互檢驗決策樹（CHAID）、徹底的卡方自動交互檢驗決策樹（Exhaustive CHAID）、快速無偏高效的決策樹（QUEST）、提升樹、決策樹森林，發現決策樹相比于傳統算法有較大優勢，且得出了組合決策樹模型（提升樹和決策樹森林）精度比單一樹高的結論。

2007年申文明在《遙感技術與應用》上發表的文章中[3]，不僅描述了決策樹技術應用于遙感圖像中土地覆蓋/土地利用分類過程中高靈活性、高魯棒性、簡單易用、有效解決屬性缺失等優點。同時以實驗證明決策樹分類較最大似然法和ISODATA法相比，具有高分類精度和適應能力，并且指出在分類過程中適當加入GIS數據可以提高精度，但若輔助數據選取不當，則會帶來相反的效果。同年，羅來平等人利用改進的CART算法解決傳統分類方法處理空間特征分布復雜圖像效果不佳的問題[4]。文章中主要通過引入用戶的先驗知識過濾不必要的屬性，生成更加可信的決策樹，并提出“屬性重要性”作為決策樹中新的屬性選擇標準兩個方面對CART算法進行改進。雖然該方法可以提高分類精度，但在處理形狀相似且分布較為緊密的不同類別時錯分現象較為嚴重。

在中國地質大學李琳2009年的研究中[5]，針對遙感圖像數據量大和迅速獲取信息的需求之間的矛盾，構建了一種同時滿足遙感圖像分類中精度高、效率高、速度快的改進算法。該算法將支持向量機（SVM）與決策樹算法相結合，綜合了SVM精度高誤差小和決策樹算法效率高耗時少的優點，達到了優勢互補的目的。最終通過實驗證明該算法在遙感圖像分類應用中有計算速度快的優點的同時，有96.25%的分類精度和0.9531的Kappa系數，較好地滿足了當今研究中對速度和精度的需求。

2012年，福建師范大學的林志壘發表于《計算機應用》上的論文提出了獨立分量分析（ICA）和決策樹算法（DTC）聯合工作的ICA-DTC模型[6]。該模型利用ICA在盡可能降低圖像信息損失的前提下對波段降維，從而解決了高光譜圖像分類過程中“維數災難”的問題，并彌補了傳統特征提取方法存在的信息缺失的不足。隨后建立決策樹，并利用決策樹進行分類，以達到提高高光譜圖像分類精度的目的。在文章中，作者通過實驗將ICA-DTC模型與傳統最大似然法進行對比，ICA-DTC模型在針對多地物遙感圖像分類時，其精度提高了18.8%，能夠正確真實地反映各類地物以及其空間分布，具有較好的應用價值。

在張曉賀2013年的文章中[7]，針對目前決策樹在遙感圖像分類問題中存在的側重實際應用而忽視算法改進以及缺少完整的決策樹遙感影像分類軟件的問題，通過改進現有的C4.5算法和AdaBoost算法與決策樹的結合方式，最終構造了新的AdaTree.WL算法，并以該算法為基礎實現了GLC（Global Land Cover）決策樹分類器。除此之外，其實現了依托于GLC樹分類器的應用于基于像元和面向對象兩種遙感影像分類方法的軟件系統，最終通過實驗表明其應用于上述兩種分類方法中分類精度平均kappa系數達到0.9052和0.9398。

在陳麗萍的2013年研究中[8]，針對基于像元的分類方法在處理高分辨率遙感圖像時，無法利用遙感影像本身豐富的信息資源，造成的空間數據大量冗余、分類精度降低的問題，設計了基于決策樹的面向對象分類方法。該方法利用多尺度分割遙感圖像，隨后對每個分割對象進行特征提取，利用決策樹C4.5算法對樣本的學習過程自動挖掘分類規則，構建決策樹。其不僅打破了傳統決策樹分類中只能依賴經驗總結獲得規則的現狀，同時具有高分類精度，以及較好的彈性和魯棒性。

2014年燕山大學的范成龍[9]在對高光譜遙感圖像分類算法的研究中，提出了結合二叉決策樹與多維尺度分析的高光譜圖像分類算法。這一算法解決了傳統算法分類精度和穩定性不足以及現有改進算法只能達到局部最優效果的問題。在理論方面，其在提高了信息處理效率的同時，提升了傳統二叉決策樹的整體分類效果；在實際應用方面，整體分類效果的提升能使其應用在不同領域時的工作性能得到提高。通過與支持向量機法和最大似然法的對比試驗，證明了基于二叉決策樹的多維尺度分析算法在高光譜圖像分類過程中具有明顯優勢。

4 總結與展望

遙感技術在當今社會越來越流行，在各種生產生活中人們越來越依賴于遙感技術解決實際問題。而遙感圖像分類技術因為可以使一張遙感圖像上海量的數據發揮其最大作用，在如今倍受青睞，越來越多的科學家和學者投入到研究遙感圖像分類算法的領域中。本文中主要研究的決策樹算法便是其中之一，它以計算速度快、效率高、精確度高、簡潔直觀等特點在琳瑯滿目的分類算法中處于優勢地位。目前已有的并且常用的決策樹算法包括ID3、C4.5、CART等等，并且都已經通過前輩們的苦心研究成功應用到遙感圖像分類中。

對于遙感圖像應用中決策樹分類的改進主要包括兩個方面。首先，對于分類算法本身，多種算法組合工作的決策樹模型成為了遙感圖像分類領域的新的熱潮，由于不同算法間的優勢互補、取長補短，這種組合工作的形式在遙感圖像分類工作中獲得了極大成功，分類精度和分類效率都大大提升。其次，遙感圖像的特征提取技術也在日益進步，用以前的傳統方法進行高光譜遙感圖像的特征提取往往很不充分，造成數據冗余和精確度下降，在各種降維算法的引入后，這一問題得以緩解，大大提升了決策樹工作時的效率以及分類結果的精度。

雖然，基于決策樹的遙感圖像分類技術的不斷進步，使遙感圖像的廣泛高效應用成為了現實。但是，在目前的遙感圖像分類研究工作中，仍有許許多多問題亟待解決，例如如何在特征提取時減少盲目性、如何尋找更優化的遙感圖像分類算法、如何在分辨率更高的遙感圖像中尋找更多有價值的信息等等，都是需要更多的研究者去深入鉆研的難題。解決好這些問題，遙感圖像分類技術的前景將會更加光明。