工具说明

基于随机森林算法实现影像监督分类。源码来源于ENMAP-BOX v2.1.1并对其进行封装，方便在ENVI下使用。

ENMAP-BOX网站链接：http://www.enmap.org/enmapbox.html

工具引用

基于此工具进行科学研究，请引用：

van der Linden, S.; Rabe, A.; Held, M.; Jakimow, B.; Leitão, P.J.; Okujeni, A.; Schwieder, M.; Suess, S.; Hostert, P. The EnMAP-Box—A Toolbox and Application Programming Interface for EnMAP Data Processing. Remote Sens. 2015, 7, 11249-11266.

更新日志

2019-06-12

增加“Show RAM Msg”参数，默认为“Yes”,当样本较大，设置为“No”时，不再有以下信息提示。

2018-09-11

• 增加输入数据判断
• 增加输入数据判断消息提示
• 增强进度条稳定性，修复进度条点击“Cancel”后不能正常显示问题

随机森林简介

作为新兴起的、高度灵活的一种机器学习算法，随机森林（Random Forest，RF）拥有广泛的应用前景。随机森林就是通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树，而它的本质属于机器学习的一大分支—集成学习（Ensemble Learning）方法。从直观角度来解释，每棵决策树都是一个分类器，那么对于一个输入样本，N棵树会有N个分类结果。而随机森林集成了所有的分类投票结果，将投票次数最多的类别指定为最终的输出。

随机森林特点

随机森林是一种很灵活实用的方法，具有如下几个特点：

• 在当前所有算法中，具有极好的准确率
• 能够有效地运行在大数据集上
• 能够处理具有高维特征的输入样本，而且不需要降维
• 能够评估各个特征在分类问题上的重要性
• 在生成过程中，能够获取到内部生成误差的一种无偏估计
• 对于缺省值问题也能够获得很好得结果

实际上，随机森林的特点不只有这六点，它就相当于机器学习领域的Leatherman（多面手），你几乎可以把任何东西扔进去，它基本上都是可供使用的。在估计推断映射方面特别好用，以致都不需要像SVM那样做很多参数的调试。

具体的随机森林介绍可以参见随机森林主页：https://www.stat.berkeley.edu/~breiman/RandomForests/cc_home.htm#inter

以上内容摘自：http://www.cnblogs.com/maybe2030/p/4585705.html

安装方法

方法1：使用 ENVI App Store 进行 ENVI 扩展工具的安装与管理。

App Store 下载地址：envi.geoscene.cn/appstore

方法2：手动下载 https://envi.geoscene.cn/appstore/ranfsafion

下载 zip 压缩包并解压，将得到的 extensions 和 custom_code 文件夹拷贝到如下 ENVI 安装路径，覆盖同名文件夹即可：

• ENVI 5.3 – C:/Program Files/Exelis/ENVI53/

• ENVI 5.4 及以上 – C:/Program Files/Harris/ENVI5x/

重启 ENVI 即可使用。

使用说明

一．启动

在Tool Box中，打开/Extensions/Random Forest Classification，工具界面如下图所示。

图 Random Forest分类工具参数面板

二．参数设置

Input Raster：待分类影像，有以下两个要求。

1）必须是ENVI标准格式数据（二进制文件+*.hdr头文件），若不满足，则会有以下提示（以*.tif为例）：

2）在选择“Input Raster”时，不能进行空间、光谱裁剪或掩膜，否则会有以下提示：

Input Train ROIs：训练样本，格式为*.xml或者*.roi；可基于ROI工具构建。对于ENVI 5.3及5.3.1，在选择Input Train ROIs有可能弹出如下提示：

解决方法有两个：

1）启动工具前就将训练样本和与之关联的待分类影像在ENVI中打开；

2）在选择“Input Raster”时同时选中待分类影像和训练样本并打开。

Number of Trees：随机森林树的数量，值越大，构建耗时越长，反之用时越少。默认为100

Number of Features：特征数量，默认使用“Square Root”方法，即Number of Features=sqrt(nb)；若选择“Log”方法，则Number of Features=log(nb)。其中nb为输入的待分类影像波段数

Min Node Samples：Minimum number of samples to stop splitting（……翻译不到位，请自行理解吧）

Min Impurity：Minimum impurity to stop splitting（……翻译不到位，请自行理解吧）

Display Result：是否在ENVI中显示分类结果，默认为“Yes”

Output Raster：分类结果输出路径 

三、RF分类示例

对于Random Forest分类参数，一般保持默认即可（RF的一大优势，即基本不需要调参即可获得良好的分类结果）。综上，笔者以一景Landsat-5 TM数据为例，在影像上均匀选取居民地、水体、休耕地、留茬耕地和绿植耕地样本，使用Random Forest分类工具默认参数进行监督分类，得到分类结果如下：

图 RF分类结果（左，分类结果；右，Landsat-5 TM标准假彩色显示）