赵海强

(广州市增城区城乡规划与测绘地理信息研究院，广东 广州 511300)

基于样本优选改进的随机森林遥感影像分类研究

赵海强*

(广州市增城区城乡规划与测绘地理信息研究院，广东 广州 511300)

在遥感影像分类的随机森林(Random Forests，RF)算法中，样本的质量是分类的基础和重要环节，构建优质的样本数据集是一项重要工作，本文对此进行研究，并提出以计算样本间的相似度的方法作为度量标准，来优化样本数据集。结果表明：①由计算相似度方法优化后的样本数据精确度得到提升，对各类别的数据判读更加明确；②在文中实验条件下，改进的随机森林法的分类结果优于传统方法，且精度优于CART决策树和SVM方法。

影像分类；随机森林；决策树；样本优化；精度

1 引 言

遥感影像分类是通过对遥感影像中各类地物的光谱、空间、几何、纹理等信息的分析，选择特征，利用一定的手段对影像中的每个像素或者分割对象进行归类，分类依据是各样本内在的相似性[1]。由于不同类型的遥感影像各具特点[2]，比如航片、卫片，不同分辨率的影像，其光谱信息、纹理信息各不相同，不同的分类器也各具优缺点，其任一方法很难同时适应各种复杂条件，当分类数据维度较大时，在分类精确度，效率等方面很难有最优方法。多分类器的集成学习能够综合不同的分类方法以期得到较好的分类效果，在理论上集成分类器的效果要优于单分类器[3]。随机森林(Random Forests，RF)方法是由Leo Breiman将Bagging集成学习理论[4]与随机子空间方法[5]相结合，于2001年提出的一种非常有效的及其学习算法[6]。……