遥感影像的分类方法按照分类的主要执行者可以分为两种。第一种，人工目 视解译。人工目视解译可以得到高精度的分类结果，所以在精度要求较高的专题 应用中，例如在使用高分辨率遥感图像时较为常用。第二种，计算机自动解译。 这一种解译方法解译精度则相对较低。但是随着遥感技术这些年来的发展，遥感 影像数据尤其是高空间分辨率遥感影像数据量不断增大，限制了人工目视解译的 发展，数据处理方面人们也越来越依赖于计算机的处理。

计算机自动解译的分类方法大致可以分为以下几类：基于像元的遥感影像分 类、基于亚像元的遥感影像分类和面向对象的遥感影像分类[4]。基于像元的遥感 影像分类，顾名思义，就是运用一定的科学的方法对每个像元逐一进行分类。由 于高分辨率遥感影像存在“同物异普，同谱异物”的现象，这种方法容易产生“椒 盐现象”。基于亚像元的遥感影像分类则主要是在基于像元的遥感影像分类基础

上对混合像元按照一定的百分比进行分类。面向对象的分类方法是将分割后的块 代替像元，同时利用影像的光谱、形状、纹理等特征参数参与分类。面向对象的 分类方法相比于前面两种方法做出的这些改进确实提高了遥感影像的分类精度

[5]，但同时误差来源也有所增加。论文网

从1990年以后，学者们对遥感影像分类方法做了大量的研究，基于像元的遥 感影像的分类已经成为了主流的分类方法[6]。Lu D将其按照是否需要训练样本数 据分为两类，如表1-1。

表1-1 基于像元的遥感影像分类[6]

Table 1-1 Classification of Remote Sensing Image Based on Pixel

类型 判定方法描述 主要方法

监督分类

确定土地覆盖分类别；使用某 些的参考数据形成训练样本； 通过训练样本得到的分类规 则将图像整体划分到各个对 应类别中[7]。

最大似然法（Maximum likelihood） 最小距离（Minimum distance） 人工神经网络（artificial neural network）

决策树（decision tree classifier）

非监督分类

通过选定的聚类算法按照图 像光谱的统计特征，将图像划 分为指定类别；在分类过程中 无需用到任何先验知识；分类 结果可直接标注类别或经过 进一步的合并形成有实际意 义的分类结果[7]。

K均值聚类（K-mean clustering algorithm）

本文主要针对高分辨率遥感影像分类进行研究，结合以上对遥感影像分类方 法的研究和对基于像元的遥感影像分类方法的分析，显然，基于像元的遥感影像 分类方法比较适合现阶段对高分辨率遥感影像进行分类。但随着时间的推移，目 前应用较多的算法有最大似然法、决策树法、神经网络法等，其中决策树法因为 其方便计算，并且能较为准确地表达高分辨率遥感影像影像信息，而应用最为广 泛。因此，本文决定利用CART算法，以决策树分类方法实现高分辨率遥感影像分 类，并将其与普通算法进行比较分析与评价。文献综述

1.3 决策树分类算法研究

决策树由于其构建快速、具有规则且容易让人了解而得到广泛的应用，它属 于归纳式学习法的一种，通过建立树状的结构，归纳出数据数据所具的某些规律，

同时也能利用这些规律做样本以外的预测。 决策树可分为三部分组成。第一部分：内部节点可以看做一个算法，它是对

数据某一属性的判断；根据对这一属性的判断将其分为不同的分支，就是第二部 分：其下分支；相同属性的分支构成一个目标分类就叫做树叶节点，这是第三部 分。决策树的根部在树的顶端，数据通过先验选择进入对应的内部节点，在内部 节点经过相同的步骤并不断重复，直到数据到达叶部节点。在这个过程中节点测 试动作越少，树上子节点内凌乱度越小，叶节点中样本种类相同越早，决策树深 度就越浅，才能发挥决策树归纳隐藏规则的作用。决策树模型如图1-1。