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：
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）
原创文章，作者：Maggie-Hunter，如若转载，请注明出处：https://blog.ytso.com/tech/pnotes/269115.html