01 决策树模型的简单介绍

02 实操

2.1 加载遥感影像以及对应的DEM影像

2.2 新建决策树

2.2.1 找到新建决策树工具并点击打开

2.2.2 决策树的编辑

2.2.3 NDVI的表达式编辑

2.2.4 增加子节点

2.2.5 band4的表达式编辑

2.2.6 分类好的信息编辑

2.2.7 重复编辑的说明

2.3 保存编辑好的决策树模型

2.4 运行决策树模型

2.5 分类结果展示

01 决策树模型的简单介绍

决策树思想的来源非常朴素，程序设计中的条件分支结构就是if-else结构，最早的决策树就是利用这类结构分割数据的一种分类学习方法

决策树：是一种树形结构，其中每个内部节点表示一个属性上的判断，每个分支代表一个判断结果的输出，最后每个叶节点代表一种分类结果，本质是一颗由多个判断节点组成的树。

对于决策树，大家想象一棵树的生长，是不是先有根(叫作根节点)，然后由根继续长大，然后会分叉(即将分叉的位置称为节点)，再分叉...最后长出叶子(又叫叶子节点)。

那么对于决策树模型，其实按照这种思路进行的分类。首先所有需要分类的物质(物质两个字用的不太恰当，但是想不出什么好听的了)全部汇聚在根部，每分叉一次其实就是根据某一种限制条件将上一个节点中的物质进行了是或者不是的分类。

来一张决策树模型中用的比较多的图片：

现在我们要解决的是，给定一张遥感影像，如何通过决策树模型将不同地形区分开来。

譬如，对于水体区域，你将所有的水体像素点找出来；对于裸地区域，你用另一种颜色将这些裸地像素点标识出来...

其实这就是简单的if-else结构，因为对于不同的地形的区分，我们已经又现成的可量化的数值去衡量判定它，譬如NDVI、slope、band、aspect等等。

这是几种地形的区分数值参照表，后续我们将参照其构建决策树模型。

构建之前，我们需要明确，我们的遥感影像需要有哪些数据？

通过上面出现的数值我们可以简单的分析出，NDVI需要使用到波段数据，slope则需要使用到DEM数据。

02 实操

2.1 加载遥感影像以及对应的DEM影像

打开的遥感影像展示：

2.2 新建决策树

2.2.1 找到新建决策树工具并点击打开

2.2.2 决策树的编辑

再来看一下需要分类的地形以及划分的标准

可以发现，我们可以通过NDVI是否大于0.3分成两大类，一类可以通过band4是否大于0小于20分成三种地形(水体，裸地，无数据区，背景)，另一类可以通过slope是否小于20分成两大类。这两小类中一类是缓坡植被，另一类通过aspect是否大于90且小于270分为两种地形(朝南陡坡植被，朝北陡坡植被)。相信这是比较简单的。

现在我们再来稍微掌握以下ENVI_IDL语言的一些简单语法：

大于：gt

描述：gt即为great than短语的简写，这样联想记忆你或许会更明白gt的含义是大于。

小于：lt

描述：lt即为less than短语的简写，这样联想记忆你或许会更明白lt的含义是小于。

等于：eq

描述：eq即为equal单词的简写，这样联想记忆你或许会更明白eq的含义是等于。

大于等于：ge

描述：ge即为great equal单词的简写，这样联想记忆你或许会更明白eq的含义是大于等于。

小于等于：le

描述：le即为less equal单词的简写，这样联想记忆你或许会更明白le的含义是小于等于。

不等于：ne

描述：ne即为not equal单词的简写，这样联想记忆你或许会更明白ne的含义是不等于。

或许你会问，为什么不使用>、<、=这种符号不是更清晰易懂吗？我只能说，你说的对，但那只是对于你来说，对于设计这门语言的人来说，他觉得用英文短语的简写来表示逻辑关系会更清晰易懂，如果你觉得用不习惯你可以选择适应 or 创建一门语言干翻他。

2.2.3 NDVI的表达式编辑

2.2.4 增加子节点

增加好的节点展示：

2.2.5 band4的表达式编辑

2.2.5.1 对于NDVI<=0.3类继续分类。

2.2.5.2 增加节点

2.2.5.3 对band4不属于(0, 20)的类进行再分类。

2.2.6 分类好的信息编辑

2.2.6.1 分类的水体相关信息编辑

2.2.6.2 分类的无数据区相关信息编辑

2.2.6.3 分类的裸地相关信息编辑

2.2.7 重复编辑的说明

因为时间原因，这里就不再重复上面的步骤继续编辑slope以及aspect的信息了。

这里简要的说明一下即可。

slope和aspect都是需要通过DEM进行二次计算得到的，所以编写表达式的时候需要加上{}，另外，选择变量对应的数据时slope和aspect都是选择DEM数据。

具体操作看下方图片即可，不再解释。

(slope表达式)

（缓坡植被类信息编辑）

（aspect表达式编辑）

（朝南陡坡植被类信息编辑）

（朝北陡坡植被信息编辑）

（变量对应文件数据的表格查看）

2.3 保存编辑好的决策树模型

如果你下次还需要保存那么你可以保存该决策树模型。

2.4 运行决策树模型

2.5 分类结果展示

<p>炒茄子</p>

ENVI：如何进行遥感图像的分类？(决策树模型)相关推荐

遥感图像计算机自动分类原理,第30讲：8.1遥感图像自动识别分类
遥感是在不直接接触的情况下,对目标物或自然现象远距离感知的一门探测技术.具体地讲是指在高空和外层空间的各种平台上,运用各种传感器获取反映地表特征的各种数据,通过传输.变换和处理,提取有用的信息,实现研 ...
遥感图像场景分类常用数据集
1. UC Merced Land-Use Data Set contains 21 scene classes and 100 samples of size 256x256 in each cla ...
遥感图像场景分类方法总结
遥感图像场景分类一般假定相同类别的场景应该共享相似的特征信息,基于此,遥感图像场景分类方法可以分为三大类:基于底层视觉特征,基于中层视觉表达,基于高层视觉信息. 底层视觉特征:直接提取遥感图像的光谱, ...
《遥感原理与应用》总结——遥感图像自动识别分类
目录遥感图像自动识别分类 1.基础知识 2.特征变换及特征选择 3.监督分类 4.非监督分类 5.非监督分类与监督分类的结合 6.分类后处理和误差分析 7.提高分类精度的方法 8.基于目标的信息提取 ...
高光谱遥感图像的分类
5.高光谱遥感数据监督分类高光谱图像数据将地物光谱信息和图像信息融为一体,其数据具有几何空间.光谱特征空间两类表达方式. 几何空间:直观表达每个像元在图像中的空间位置以及它周边像元之间的相互关系,为 ...
基于迁移深度学习的遥感图像场景分类
前述根据语义特征对遥感图像场景进行分类是一项具有挑战性的任务.因为遥感图像场景的类内变化较大,而类间变化有时却较小.不同的物体会以不同的尺度和方向出现在同一类场景中,而同样的物体也可能出现在不同的场 ...
python遥感影像地物分类_基于轻量化语义分割网络的遥感图像地物分类方法与流程...
本发明属于图像处理技术领域: ,特别涉及一种地物分类方法,可用于土地利用分析.环境保护以及城市规划. 背景技术: :遥感图像地物分类,旨在取代繁琐的人工作业,利用地物分类方法,得到输入遥感图像的地物 ...
2021年遥感图像目标检测SOTA模型及排行榜
2021年遥感图像目标检测SOTA模型及排行榜本文禁止转载!!! Baseline: DOTA1.0 (Task1) DOTA1.0 (Task2) 可视化不同模型性能(mAP+文章+源码): ...
对遥感图像的分类处理综合应用
此次作业为作者课设内容,发表出来供大家参考以及交流,有什么问题咱们也可以交流,我对遥感方面的学习很浅薄片面,正在努力往深层次学习.此次课设做的很笼统,也不属于浅显易懂的,如果有那些步骤不明白,可以私信 ...

ENVI：如何进行遥感图像的分类？(决策树模型)

01 决策树模型的简单介绍

02 实操

2.1 加载遥感影像以及对应的DEM影像