基于决策树的面向对象变化信息自动提取研究
基于决策树和马尔可夫链的问答对自动提取
系统 最 终 性 能 的 主要 因素 。 为 了提 高 问答 对 的 规 模 、 分 利 用 互 联 网 资 源 ， 文 提 出 了一 种 基 于 决 策 树 和 马 尔科 充 本 夫链 的 在 互 联 网上 自动抽 取 问答 对的 算 法 。先根 据 网页 中的 ＨＴＭＬ标 记把 网 页表 示成 一棵 Ｄ ＯＭ 树 ； 然后 利 用树 中每 个 节 点 的 结 构 和 文 字信 息 ， 取 相 应 的特 征 ； 抽 最后 将 得 到 的 节 点 特 征 通 过 由决 策 树 和 一 阶 马 尔可 夫链 结 合 得 出的 分 类模 型进 行 分 类 。试 验 结 果 表 明 准 确 率 达 到 了 ９ ． ９ ， 回 率 达 到 了 ８ ． ３ Ｖ。 对 大 量 网 页 抽 取 的 结 ０３８ 召 ６０２ ｏ 果 表 明 该 分 类模 型 能 够适 应 对各 种 各 样 的 网页 的抽 取 。 关键 词 ： 工 智 能 ； 式识 别 ； 息抽 取 ； ＯＭ 树 ； 策 树 ； 尔 可 夫链 人 模 信 Ｄ 决 马
ｎ ｄ ．Ｌａ ｔａ ｌｗ ｈ ｅ ｔ ｒ ｓｏ ｅ ｐ ｓ ｈ ｌｓ ｉ ｃ ｔ ｎ ｍｏ ｅ ，ｗｈ ｃ ｒ ａ ｅ ｙｄ ｃｓｏ ｒ ｅａ ｄ Ｍ ａ ｋ ｖ ｍｏ ｅ ，ｔ ｏｅ ｓ ｌ ｏ ｔ ｅｆ ａ ｕ ｅ ｖ ｒ ａ ｓｔ ｅｃａ ｓｆ ａ ｉ ｄ ｌ ｉ ｏ ｉｈ ｃ ｅ ｔ ｄ ｂ ｅ ｉｉｎ ｔｅ ｎ ｒ ｏ ｄ ｌ ｏ
影像信息提取之--面向对象特征提取流程
影像信息提取之--面向对象特征提取流程“同物异谱，同谱异物”会对影像分类产生的影响，加上高分辨率影像的光谱信息不是很丰富，还有经常伴有光谱相互影响的现象，这对基于像素的分类方法提出了一种挑战，面向对象的影像分类技术可以一定程度减少上述影响。
本专题以ENVI中的面向对象的特征提取FX 工具为例，对这种技术和处理流程做一个简单的介绍。
本专题包括以下内容：●面向对象分类技术概述● ENVI FX简介● ENVI FX操作说明1、面向对象分类技术概述面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间，纹理，和光谱信息来分割和分类的特点，以高精度的分类结果或者矢量输出。
它主要分成两部分过程：对象构建和对象的分类。
影像对象构建主要用了影像分割技术，常用分割方法包括基于多尺度的、基于灰度的、纹理的、基于知识的及基于分水岭的等分割算法。
比较常用的就是多尺度分割算法，这种方法综合遥感图像的光谱特征和形状特征，计算图像中每个波段的光谱异质性与形状异质性的综合特征值，然后根据各个波段所占的权重，计算图像所有波段的加权值，当分割出对象或基元的光谱和形状综合加权值小于某个指定的阈值时，进行重复迭代运算，直到所有分割对象的综合加权值大于指定阈值即完成图像的多尺度分割操作。
影像对象的分类，目前常用的方法是“监督分类”和“基于规则（知识）分类”。
这里的监督分类和我们常说的监督分类是有区别的，它分类时和样本的对比参数更多，不仅仅是光谱信息，还包括空间、纹理等对象属性信息。
基于规则（知识）分类也是根据影像对象的属性和阈值来设定规则进行分类。
表1为三大类分类方法的一个大概的对比。
类型基本原理影像的最小单元适用数据源缺陷传统地物的单个的中低分辨丰富的空基于光谱的分类方法光谱信息特征影像像元率多光谱和高光谱影像间信息利用率几乎为零基于专家知识决策树根据光谱特征、空间关系和其他上下文关系归类像元单个的影像像元多源数据知识获取比较复杂面向对象的分类方法几何信息、结构信息以及光谱信息一个个影像对象中高分辨率多光谱和全色影像速度比较慢表1 传统基于光谱、基于专家知识决策树与基于面向对象的影像分类对比表2、ENVI FX简介全名叫“面向对象空间特征提取模块—Feature Extraction”，基于影像空间以及影像光谱特征，即面向对象，从高分辨率全色或者多光谱数据中提取信息，该模块可以提取各种特征地物如车辆、建筑、道路、桥、河流、湖泊以及田地等。
基于优化地貌特征和纹理信息的黄土高原沟缘线提取方法
基于优化地貌特征和纹理信息的黄土高原沟缘线提取方法LUO Zhidong;LIU Erjia;QI Shi;YAO Zhanjun【摘要】沟缘线是黄土高原地区的典型特征线,其提取结果是构建地表空间分布式水土流失过程模型的基础.本文提出了基于优化地貌特征和纹理信息的面向对象沟缘线自动提取方法,即通过构建适宜的地形因子和纹理信息,利用地物的几何结构、地形纹理和相邻像元差异性的关系,采用面向对象多尺度分割技术,基于决策树分类的方法提取沟缘线.选取沟缘线发育典型的黄土高原地区,以1:10 000的DEM为数据源,确定了最优的分割参数和分类特征.相对于人工识别的沟缘线,该方法提取的结果在4个像元缓冲范围内为90％,绝对误差均值为2～3个像元,最大误差为4～6个像元.通过与基于坡面形态特征及汇水过程特点的提取算法进行对比,可知该方法克服了传统从形态特征出发的自动提取结果出现大量噪声的缺陷,提高了沟缘线提取精度,位置准确性增强,为黄土高原大范围宏观地貌分异研究提供了有效的方法和途径.【期刊名称】《农业机械学报》【年(卷),期】2019(050)001【总页数】7页(P285-291)【关键词】黄土高原沟壑区;沟缘线;数字等高模型;面向对象;灰度共生矩阵【作者】LUO Zhidong;LIU Erjia;QI Shi;YAO Zhanjun【作者单位】;;;【正文语种】中文【中图分类】P2830 引言黄土高原在长期流水侵蚀下，形成支离破碎、沟壑纵横的黄土地貌景观。
沟缘线作为沟间地(正地形)和沟谷地(负地形)的分界线[1]，是切沟、冲沟最为发育的部位，影响物质与能量传输过程，造成正负地貌单元在土壤类型、地表组成、地貌特征、侵蚀营力等方面产生巨大差异[2-3]。
研究其空间分布及变化特征有助于全面分析黄土高原地貌演变情况和衡量地表侵蚀状况[4-5]，为制定区域水土保持规划、水土保持措施布局及土地覆被调查奠定数据基础。
面向对象的红树林信息提取
１ 引 言
红树林信息。本文利用 的面 向对象的方法 ， 实现了
红树 林 的 自动提 取 ， 海 岸带 红 树 林 进 一 步 研 究 提 为
（ 中国测绘科学研究院 ， 北京 １０ ３ ） ００ ９
摘要 ： 红树林 是世 界上最重要的生态系统之一 ， 对于海岸带 的保护起着非常重要 的作 用。然而 ， 由于红树林所 处 的地理环境 ， 对其进行实地调查是很 困难的。遥感 的出现 ， 为我 们研究 红树林 提供 了一个很 好 的技 术手段 。但
由于红树林分布于潮间带 ， 野外调查工作十分 困难 ， 工作量大 ， 费用高 ； 其次红树林地势平坦 ， 用传 统的资源调查方法难 以准确定位和勾绘 。因此 ， 国 内外对红树林的研究大多采用遥感的方法 。但传统 的信息提取方法大部分是面 向像元 的统计方法 ， 这 些方法对于中低分辨率 的卫星影像 比较适用 ， 但对 于高分辨率卫 星数 据并不适用 。由于红树林 的 Ｊ 光谱信息与其他植被 的光谱 信息非常相似 ， 利用传
红树林生态系统是地球上生产力最高的海洋四 大生态系统之一 ， 国际上生物 多样性保护和湿地 是 生态保护的重要对象 ， Ｊ已成为近年来 国际上普遍
关 注 的环境 资源 热点 问题 之一 。红 树林 有着 特 殊 的
供 了一个很好的方法 。
２ 研究 区域 概 况及 实验数 据
本文选取有代表性 的东寨港部分 区域作为研究
图 １ ｂ 研究 区域部分全色影像 （）
对红树林 的提取很难在一种尺度上完成 ， 了更高 为 精度的提取 红树林 信息 ， 利用最大面 积法 ， 确定 最 优 的分割 尺度 为 １０和 １０ 其 中 ，５ ０ ５， １０主 要 针 对
基于C5.0决策树算法的落叶松人工林提取研究
doi:10.3969/j.issn.1672-6375.2020.04.003收稿日期：2019-12-25基金项目：“十三五”国家重点研发计划“落叶松高效培育技术研究”（项目编号：2017YFD0600400）。
作者简介：马婷（1995-），女，汉族，陕西西安人，硕士在读，主要研究方向：林业遥感。
落叶松是我国北方地区造林和森林更新的主要树种之一，其木材结构细密，材质优良，抗腐蚀，抗压能力强，具有显著的社会和经济效益［1-3］。
随着国家林业重点工程项目的稳步推进，落叶松人工林的造林面积逐年增加，针对落叶松人工林资源的调查也成为林业调查领域的一项新需求［4］。
如何有效利用遥感影像获取落叶松人工林空间位置分布，及时准确掌握落叶松人工林资源信息，已成为落叶松人工林栽培关注的热点问题。
目前，国内外学者针对落叶松人工林的研究多集中于抚育间伐、土壤特性、经营情况、病虫害和苗圃培育等方面，应用遥感影像探索落叶松人工林空间位置分布的研究鲜有报道［5-9］。
因此，利用遥感手段快速获取落叶松人工林的空间位置分布，无论是理论研究还是实际应用都有重要意义。
由于决策树算法具有灵活、直观、运算效率高等特点［10-12］，在林业遥感研究领域中，国内外学者利用决策树算法在森林类型精细分类、不同林地类型提取识别等问题上已进行了大量研究。
2012年Suchenwirth 等人通过提取遥感影像的光谱信息、空间信息和地形因子等，建立基于专家知识的决策树模型并进行决策树分类，从中提取了芦羊、硬木、白杨林和草地等植被［13］。
2014年白秀莲等人基于Landsat TM 数据和C5.0决策树算法，设计了一种基于多特征变量组合的数据集进行土地覆盖分类，结果表明当特征变量合适时，分类结果能够满足用户需求［14］。
2015年梁守真等人尝试将多时相的Landsat TM 数据与MODIS-NDVI 数据组合，进行基于面向对象的决策树橡胶林信息提取实验，结果表明，综合考虑橡胶的季相特征，能有效获取橡胶林分布信息［15］。
Sentinel-2数据的小型湖泊水生植被类群自动提取方法——以翠屏湖为例
Sentinel-2数据的小型湖泊水生植被类群自动提取方法——以翠屏湖为例汪政辉; 辛存林; 孙喆; 罗菊花; 马荣华【期刊名称】《《遥感信息》》【年(卷),期】2019(034)005【总页数】10页(P132-141)【关键词】Sentinel-2; 水生植被; 湖泊; 决策树分类; Otsu【作者】汪政辉; 辛存林; 孙喆; 罗菊花; 马荣华【作者单位】西北师范大学地理与环境科学学院兰州730070; 中国科学院南京地理与湖泊研究所南京210008; 淮阴师范学院江苏区域现代农业与环境保护协同创新中心江苏淮安223001【正文语种】中文【中图分类】X870 引言水生植被具有吸附净化、阻滞水流、促进沉降、澄清水质、抑制藻类等生态功能，在维持湖泊生态系统平衡、物质循环和水质方面发挥着重要的作用[1-2]。
水生植物繁茂的湖泊，水体具有较高清澈度，较低的营养盐浓度和藻类生物量[3]。
水生植被，尤其是沉水植被的盖度和丰度直接决定着湖泊的稳态[4]。
因此，大范围、准确、快速地监测湖泊水生植物类群及其时空分布对湖泊管理和生态修复具有十分重要的意义。
传统的水生植物监测方法主要以人工调查法为主，精度虽高，但费时费力，监测覆盖范围小，且时空连续性差。
卫星遥感技术具有宏观、低成本、快速、动态的优势，同时具有实时性和历史追溯性等特点，已成为浅水湖泊水生植物监测的有效手段[5-7]。
相比陆生植被，水生植被由于其生长在复杂度较高的水体中，其光谱特性具有复杂性[8]。
相关研究[9-12]表明，挺水和浮叶植物大部分叶片位于水面之上，光谱信号无需经过水体辐射传输过程，受水环境影响较小，具有典型的植被光谱特征；而沉水植被由于完全沉入水中，反射光谱易受水环境参数影响，其光谱特征与挺水和浮叶植被有显著差异。
不同水生植被类群的光谱特征及对水环境的光谱响应各有差异，也是水生植被遥感监测的理论基础。
近年来，国内外学者基于多种遥感卫星数据，也在不同的大型浅水湖泊先后开展了一系列水生植物遥感分类和制图研究[13-15]，并发展了一些用于区分水生植被与其他植被及藻华的光谱指数，如Villa等[16]发现使用蓝光和近红外波段构建的归一化水生植被指数(normalized difference aquatic vegetation index，NDAVI)对水生植被具有很高的敏感度，且可以降低背景噪声对水生植被提取的影响，并在太湖和加尔达湖等湖泊取得了较好的应用效果；Liu等[17]考虑了藻类与水生植被在物候特征上的差异，基于浮游藻类指数(floating algal index，FAI)建立了植被出现频率指数(vegetation presence frequency，VPF)用于识别太湖水生植被和藻华；Oyama等[18]基于蓝藻水华与水生植被的光谱差异，结合归一化水体指数(normalized difference water index，NDWI)和浮游藻类指数构建决策树识别日本的3个湖(lakes kasumiguara，inba-numa and tega-muma)的蓝藻水华和水生植被。
envi基于规则的面向对象信息提取原理
envi基于规则的面向对象信息提取原理面向对象信息提取是一个基于规则的技术，旨在从文本中抽取出有价值的信息。
这个技术的主要思想是将文本信息转换成对象的形式，然后通过一系列规则来提取出需要的信息。
这种方法可以帮助我们从大量文本数据中快速准确地获取所需的信息，为数据挖掘和分析提供了重要的支持。
面向对象信息提取的原理是将文本信息转换成对象的形式。
在面向对象的思想中，一切皆为对象，每个对象都有其特定的属性和行为。
在信息提取中，我们将文本中的实体、关系和事件等抽象成对象，并为其定义相应的属性和行为。
例如，一个新闻报道可以被抽象成一个新闻事件对象，其中包含新闻标题、内容、发布时间等属性，以及浏览、评论、分享等行为。
在面向对象信息提取中，我们使用一系列规则来提取文本中的信息。
这些规则可以基于语法、语义、规则模式等多种方式进行定义。
例如，我们可以通过正则表达式来匹配特定模式的文本，通过语义关系来提取实体之间的关联信息，通过规则模式来识别特定的事件等。
这些规则可以在不同层次上进行组织，形成一个层次化的信息提取系统，从而实现对不同信息层次的提取和组织。
面向对象信息提取的优势在于其对文本信息的结构化处理。
通过将文本信息抽象成对象的形式，我们可以更加方便地对其进行分析和处理。
同时，面向对象的思想也使得信息提取系统具有良好的可扩展性和可维护性，可以根据需求不断扩展和修改规则，适应不同领域和任务的需求。
面向对象信息提取的实现需要考虑多个方面的技术和方法。
首先，需要建立一个合适的对象模型，将文本信息进行合理的抽象和组织。
其次，需要设计一套规则系统，用于提取和处理文本信息。
规则系统的设计需要考虑到信息的多样性和复杂性，需要综合运用多种技术手段，以实现对文本信息的全面提取。
此外，还需要考虑到处理大规模文本的效率和性能问题，需要采用高效的算法和技术，以满足实际应用的需求。
面向对象信息提取的应用领域非常广泛，可以用于各种文本的信息抽取和分析。
基于决策树的算法分析与应用示例
基于决策树的算法分析与应用示例在机器学习领域，决策树是一个经典的算法，它可以在面对大量数据时进行快速且可靠的分类或回归。
本文将介绍决策树算法的原理与应用，并通过一个具体的案例来展示其实际应用价值。
一、什么是决策树算法决策树是一种树形结构的分类模型，它的构建过程就像是一次“递归”的决策过程。
假设我们有一组数据，每个数据点都有若干个特征（即不同的属性），我们要根据这些特征来决定其类别（如是/否、高/中/低等）。
而决策树的生成就是一个逐步“分治”的过程，将原始数据分成不同子集，并根据不同特征来分别处理，最终得到一棵带有判定条件的树形结构。
决策树的构建过程可以分为三个步骤：特征选择、决策树生成和决策树剪枝。
其中，特征选择是指从所有特征中选出一个最佳特征来作为当前的分类依据；决策树生成是指利用选定的特征对数据进行划分，生成一棵完整的决策树；决策树剪枝是指对已经生成的决策树进行优化，去除一些不必要的节点和分枝，以避免过拟合等问题。
除了常见的二叉树决策树外，还有多叉树、CART树、C4.5树、ID3树等多种类型的决策树算法。
它们在特征选择、剪枝等方面有所不同，但本质上都是基于“树形结构”来完成分类或回归任务的。
二、决策树算法的应用示例决策树算法有许多实际应用，如金融风险评估、医学诊断、信用卡反欺诈等。
这里我们以一个简单的基于决策树的鸢尾花分类为例来说明决策树的应用过程。
鸢尾花数据集是机器学习中常用的一个数据集，它包含了150条记录，每条记录都有四个特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度。
根据这些特征，我们需要判断鸢尾花属于哪种类型：山鸢尾（Iris-setosa）、变色鸢尾（Iris-versicolor）或维吉尼亚鸢尾（Iris-virginica）。
以下是如何用Python和sklearn库来实现这一任务：```python# 引入相关库和数据集from sklearn.datasets import load_irisfrom sklearn.tree import DecisionTreeClassifierfrom sklearn.model_selection import train_test_splitiris = load_iris()X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=42)# 构建决策树模型并进行训练clf = DecisionTreeClassifier(criterion='entropy', max_depth=10, random_state=42)clf.fit(X_train, y_train)# 预测并评估模型准确率y_pred = clf.predict(X_test)score = clf.score(X_test, y_test)print(score)```上述代码首先引入了相关的Python库和鸢尾花数据集，并将数据集分为训练集和测试集。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于决策树的面向对象变化信息自动提取研究张雨霁①②，李海涛②，顾海燕②（①辽宁工程技术大学测绘与地理科学学院，阜新，123000;②中国测绘科学研究院，北京，100039）摘要：为了从不同时相的遥感影像数据中自动地提取变化信息且保证其效率，本文结合面向对象分析技术，提出了一种基于决策树变化信息自动提取的新方法。
该方法利用影像的特征指数及形状特征、光谱特征、纹理特征等作为特征集，将其作为知识库应用到决策树控制模型中，进而利用该模型实现自动分类。
对所得到的分类后影像对象，组织分析其综合属性并作为决策规则再次分类，通过“双重分类”的方式实现面向对象的遥感影像变化信息自动提取。
该方法为遥感影像变化信息自动提取提供了新的思路。
关键词：变化检测;面向对象;决策树;特征指数Research on Object-Based Analysis of Automatic Change Information Extraction Based on Decision TreeZHANG Yuji①②，LI Haitao②, GU Haiyan②（①Liaoning Technical University, Fuxin, 123000; ②Chinese Academy of Surveying andMapping, Beijing, 100830）Abstract: In order to extract change information automatically from the different time remote sensing images and ensure the efficiency, a new automatic extraction method which is combined with the Object-Based Image Analysis technology based on the Decision Tree is presented in this paper. This method uses the features index and shape, spectral, texture of the image as a feature set to establish the decision tree model for automatic classification. Organize and analyse the synthesized attribute of image objects classified above, then use it as the decision rule to make classification the second time. We can bring about the automatic exaction of image change information by ‘double classification’ which is based on the Object-Based Image Analysis. This method offers a new thought for automatic extraction of remote sensing images change information.Keywords: change detection; object-based; decision tree; feature index收稿日期：修订日期：基金项目：National T echnology Support Program [国家科技支撑项目]。
(Program: 2008BAC34B07__04). 作者简介：张雨霁（1985～），女，在读硕士，主要研究方向为遥感图像处理。
E-mail:YUJI-911@1、引言变化检测技术问世以来，以应用为导向，技术方法与手段日臻完善，应用深度和广度也在不断拓展。
空间遥感获取技术的迅猛发展，使遥感数据的获取趋向三多（多传感器、多平台、多角度）和三高（高空间分辨率、高光谱分辨率、高时相分辨率）[1]，遥感数据的不断更新及实用化极大促进了变化检测理论和方法的变革。
但与遥感获取技术取得的巨大进步相比，与其相配套的数据处理、分析和应用方法相对落后，大部分还只是停留在基于像元级别的影像分析处理，突出问题展现在卫星获取的遥感数据未能得到充分利用，对遥感信息认识不足和对遥感专题信息提取水平的滞后，自动化、智能化程度不高，效率及精度低下，这就造成了遥感信息资源的巨大浪费及应用价值的降低，使得变化检测的实效性难以满足。
针对这些不足，本文结合GIS空间数据挖掘和遥感技术，以如何得到变化属性类型，分析提取出地物变化信息为目标，突破传统意义上像元级的检测方法，提出了对同一地区不同时相的遥感影像，利用特征指数及分割后的对象特征，通过建立决策树模型，实现面向对象的变化检测新方法，实验证明了该方法的有效性与鲁棒性。
2、面向对象的变化信息自动提取2.1 多尺度分割对影像进行合理的分割得到影像对象，是面向对象变化信息提取的前提。
本文采用多尺度分割技术，通过不同尺度的选择可将影像方便灵活地分割成由同质不规则多边形组成的不同分辨率影像对象层。
形成的由多边形矢量边界包围的影像对象区域，达到了矢量与栅格的融合处理，为进一步的影像分析处理提供了大量可用信息。
分割多采用区域增长算法[2]，每一层都由它直接的子对象构成，在下一个高层上，子对象合并为较大对象，不断分离合并的过程中自动建立起了一个与地表实体相似的层次等级结构，层次中的每个影像对象都明确其自身与上级、下级及同级对象之间的拓扑关系，实现了原始象元信息在不同空间尺度间的传递。
2.2 特征提取指数1、归一化植被指数（NDVI）Rouse J W[3]等人提出的NDVI作为目前最常用的植被指数之一主要用于植被信息提取、植被监测和植被物候等研究。
其计算公式为rednirrednirNDVI+−= (1)nir代表近红外波段，red代表红波段。
2、归一化水体差异指数（NDWI）Mcfeeters[4]提出的NDWI，是一种根据波段间比值进行分类的方法。
它主要用于提取水体信息，同时削弱土壤、陆生植物在图像中的亮度值，勾画水域边界等。
其计算公式为nirgreennirgreenNDWI+−= (2)green代表绿波段，nir代表近红波段。
3、归一化建筑物差异指数（NDBI）ZHA Y[5]提出的NDBI主要用于提取由各种不透水建筑材料所覆盖的表面, 如由瓦片、沥青、水泥混凝土等材料构成的建筑物、路面和停车场等。
其计算公式为irnmirnirmirNDBI+−= (3)mir代表中红外波段，nir代表近红波段。
本文选取TM影像中的第五波段（短波红外波段）替代mir。
2.3 面向对象的决策树分类面向对象决策树分类方法是一种建立在先验知识的基础上的分层次处理结构。
该方法利用总结的特征提取指数及分割后所得对象的形状、语义等特征作为建立决策树所描述的多项判断准则，对影像中各对象进行逐层识别和归类，逐步将待提取目标从地物中分离出来，避免此目标对其他目标提取时造成的干扰和影响，通过若干次中间判别最终将所有数据图层复合以实现图像的自动分类。
即通过一组独立变量，将一个复杂数据集逐步分解为更纯、更同质的子集的过程。
其基本思想是通过一些判断条件对原始数据集逐步进行二分和细化，其中，每一个分叉点代表一个决策判断条件，每个分叉点下有两个叶结点，分别代表满足和不满足条件的类别[6,7,8]。
2.4变化信息自动提取过程本试验利用对影像多尺度分割后影像对象的形状指数、特征提取指数等特征，建立面向对象决策树模型分别对不同时相的TM 影像进行面向对象分类，对分类后的结果，利用影像层次间相应类别及对应位置对象间的语义关系进行再分类，双重分类后最终实现变化信息的自动提取。
具体过程如下：第一步：对输入影像进行多尺度分割获取影像对象（试验中尺度选择10，形状异质性权重系数选择0.1，光谱异质性权重系数选择0.9，紧致度指数权重系数选择0.5，光滑度指数权重系数选择0.5）。
第二步：利用对象的特征提取指数及形状指数建立面向对象决策树分类层次模型（本试验主要分析提取水体、裸地、稀疏植被及茂密植被四个类别变化信息）。
图1 面向对象决策树分类模型第三步：利用面向对象决策树分类模型分别对前后时相的影像进行面向对象的分类处理，分别得到分类后前后时相单波段影像层。
试验分类后结果如图5（b）（d）所示。
第四步：将前后时相单波段分类后影像分别按类别赋予层次属性值（前一时相赋予2，后一时相赋予1），使各对象都明确各自属于哪层哪类。
第五步：用前一时相的影像对象层分割后的各均质区域去限定相应位置后一时相影像对象层分割后的各均质区域，使其形状与前一时相保持一致，但区域内的属性值各自保留，举例如图2。
图2 影像对象匹配化统计分析相同形状区域内的变化情况（与前一时相的均值区域相比后一时相异质情况），所选类别影像对象存在赋值为1，不存在赋值为0。
具体例子如表1：表1 地物类别变化信息分析表就样，每个影像对象就具备了层次、类别、位置及存在与否这四种属性，通过四重属性的索引，就可以进行不同层次不同类别间对应位置影像对象的比对分析了。
第六步：创建用于显示变化信息的显示层，并赋予层次属性值0。
将该层与面向对象决策树分类后的层次属性值分别为1、2的后、前时相影像对象层进行叠加处理。
第七步：对于变化信息提取各个类别(水体、裸地、稀疏植被及茂密植被)采用表1方式，即可表示出地物的变化情况。
这样，将不同的变化情况利用不同颜色属性值在0层中予以显示表达，通过分类后再次分类的方式，实现变化信息的自动提取。
图3描述了面向对象变化信息提取的初略过程。
图4为变化信息提取结果。
图3 面向对象变化信息提取流程图4变化信息提取结果（a）1991年6月原始TM影像（b）1991年6月面向对象分类后影像（c）2000年7月原始TM影像（d）2000年7月面向对象分类后影像图5 面向对象决策树分类最终结果3、精度评价本文选用经过前期几何校正、直方图匹配等预处理后的1991年6月及2000年7月前后时相TM 影像作为实验数据源，将TM1、TM2、TM3、TM4、TM5、TM7 六个波段（由于TM6波段信息量较少）进行波段组合作为分析数据，采用543波段进行假彩色合成，合成影像上茂密植被表现为深绿色，稀疏植被表现为绿色，裸地表现为淡紫色，水体表现为深蓝色，方便目视判读。
研究区域内，相对与1991年影像，2000年影像中各类型地物均发生不同程度变化，各部分地物的变化情况明显。