摘要: 针对光谱角制图(SAM)和最大似然(MLC)分类器对 AVIRIS 高光谱遥感图像进行植
被分类精度均不高的问题,提出了一种基于多分类器的 C5.0 决策树植被分类方法。首先,利用
支持向量机(SVM),进行核函数以及核函数参数选择,提取出 AVIRIS 高光谱图像中的植被信息。
其次,利用 C5.0 算法将光谱角制图和最大似然分类器组合,作为决策树的特征属性,学习样本
训练并生成分类规则;根据 C5.0 算法计算植被样本中对应分类器的信息增益率,选择信息增益
率最大的属性去分类样本;当叶样本的分类结果满足停止生长的阈值,输出样本分类的结果,
否则,回到开始,递归调用以上方法继续分类叶样本,直到所有子集仅包含一个植被类别的样
本完成决策。实验结果表明,与光谱角制图和最大似然分类器相比,本文提出的方法整体精度
分别提高了 6.04%、2.92%,不仅证实了多分类器组合的可行性和有效性,而且更加适用于
AVIRIS 高光谱图像中的植被调查。