目录一、多光谱影像处理1. 辐射定标 2.大气校正1. 需要准备一些数据:2.大气校正过程3、正射校正二、全色影像处理1. 辐射定标 2. 正射校正三、图像融合1.几何配准2.图像融合高分二号处理流程 全文根据此篇文章进行数据处理：tm影像辐射定标_高分二号影像数据预处理及裁剪过程本文中的操作与表述大部分来自于上述文章，处理过程作为上述文章的补充。打开.tif文件的方
随机森林简介如果读者接触过决策树(Decision Tree)的话，那么会很容易理解什么是随机森林。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。随机森林的名称中有两个关键词，一个是“随机”，一个就是“森林”。“森林”我们很好理解，一棵叫做树，那么成百上千棵就可以叫做森林了，这样的
1 更新日志2022.10.18更新1：新增 Random Sampling 参数，在样本像元数较多时，设置此参数为 Yes，可随机抽取部分样本用于训练从而缩短时间更新2：当样本像元数较多时，弹出如下提醒，选择“是”，可随机抽取部分样本用于训练从而缩短时间更新3：当某类别样本中像元个数为 0 时，将不参与模型训练更新4：支持非ENVI标准格式数据，会自动另存为临时ENVI格式数据，并在
转载
2024-05-05 17:21:40
338阅读
随机森林树： 1.定义： 随机森林只利用多颗决策树对样本进行训练并预测的一种分类器，可回归可分类；随机森林是基于多颗决策树的集成算法，常见决策树算法主要分为： ID3(利用信息增益进行特征选择)，C4.5 信
转载
2024-02-21 21:14:41
143阅读
这里记录一下使用landsat5做随机森林分类的代码，理一下思路。很多内容都是到处找教程东拼西凑的，十分感谢各位大佬。导入研究区、制作标签首先加载研究区边界，查看需要分类时间的原影像。在影像上添加标签（目视解译）。点击左边这个像小气球似的地方，修改名称，选择feature，添加properties。我是添加了两个一个是label，是分类名，另一个是lc，也就是landcover，用数字做区分。&n
转载
2024-06-05 05:24:25
474阅读
决策树决策树的生成算法有ID3，C4.5和CART（Classification And Regression Tree）等由增熵（Entrophy）原理来决定哪个做父节点，哪个节点需要分裂比如上表中的4个属性：单一地通过以下语句分类：
1. 分数小于70为【不是好学生】：分错1个
2. 出勤率大于70为【好学生】：分错3个
3. 问题回答次数大于9为【好学生】：分错2个
4. 作业提交率
1.自定义坐标系（北京54、西安80、2000坐标系）1.1 内容介绍1.1.1 地理投影的基本原理常用到的地图坐标系有2种，即地理坐标系和投影坐标系。 地理坐标系是以经纬度为单位的地球坐标系统，地理坐标系中有2个重要部分，即地球椭球体（spheroid）和大地基准面（datum）。由于地球表面的不规则性，它不能用数学公式来表达，也就无法实施运算，所以必须找一个形状和大小都很接近地球的
由于经常有读者说运行出错，我又本地校准了下程序，由于版权限制，lena图MATLAB新版已经撤除了，这里改成了cameraman的图参考：从贝叶斯理论到图像马尔科夫随机场 刘伟强等；基于马尔科夫随机场的遥感图像分割和描述；东南大学学报；（29）：11-15，1999version:2017.1.20 基本理解框架Markov Random Filed一、理论基础马尔科夫随机场是一种基于统
在监督分类或者挖掘决策树规则时，需要选择训练样本，训练样本的好坏直接影响分类精度。因此ENVI提供了分析样本质量的工具：Compute ROI Separability，计算样本可分离性。问题来了为了提高分类精度，有时会在多光谱图像中增加其他波段，如NDVI、非监督分类结果、PCA变换结果等等。那么问题来了，使用ROI Tool中的Compute ROI Separability计算样本可分离性时
转载
2024-03-22 13:42:33
413阅读
ENVI5.6.3新增机器学习工具包，该功能不需要额外的许可，只需安装ENVI深度学习2.0版本应用程序，用ENVI主模块的许可便可使用新机器学习的功能。ENVI新机器学习工具包，可以对栅格数据进行快速分类，如异常检测、监督分类和非监督分类。也可以从一个或多个数据上选择样本，生成训练模型，并用该模型对其他图像进行分类。还可以使用ENVI Modeler构建对多个栅格数据进行分类的工作流。运行环境新
转载
2024-03-27 15:16:45
66阅读
目前精度较高的方法主要是支持向量机分类和
原创
2022-08-08 16:24:01
2350阅读
点赞
阿喽哈~小伙伴们，今天我们来唠一唠随机森林 ♣ ♣ ♣随机森林应该是很多小伙伴们在学机器学习算法时最先接触到的集成算法，我们先简单介绍一下集成学习的大家族吧： Bagging：个体评估器之间不存在强依赖关系，一系列个体学习器可以并行生成。代表算法：随机森林（Random Forest）Boosting：个体学习器之间存在强依赖关系，一系列个体学习器基本都需要串行生成。代表算法：
转载
2023-12-11 11:53:59
104阅读
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。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. T
转载
2024-05-08 10:00:10
248阅读
一篇做人脸对齐的文章《Face Alignment by Explicit Shape Regression》使用了随机蕨来做人脸特征点的回归预测。先回想一下随机森林。随机森林是很多棵决策树组成的，每颗决策树使用部分的训练样本以及部分的训练特征，并在此特征空间内按信息熵增益从小到大（特征区别度从大到小）来进行分支。最后的分类结果由多棵决策树共同表决，给出lable。要理解随机蕨，需要了解两个部分，
一、原理ET或Extra-Trees（Extremely randomized trees，极端随机树）是由PierreGeurts等人于2006年提出。该算法与随机森林算法十分相似，都是由许多决策树构成。但该算法与随机森林有两点主要的区别：1、随机森林应用的是Bagging模型，而ET是使用所有的训练样本得到每棵决策树，也就是每棵决策树应用的是相同的全部训练样本；2、随机森林是在一个随机子集内得
转载
2024-06-07 13:56:31
57阅读
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。首先介绍一下什么是集成学习，在集成学习中，主要分为bagging算法和boosting算法。我们先看看这两种方法的特点和区别。Bagging（套袋法） bagging的算法过程如下：1.从原始样本集中使用Bootstraping方法随机
转载
2024-02-23 19:28:10
120阅读
随机森林（Random Forest，简称RF）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。假设现在针对的是分类问题，每棵决策树都是一个分类器，那么N棵树会有N个分类结果。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输出。它可以很方便的并行训练。森林表示决策树是多个。随机表现为两个方面：数据的随机性化、待选特征的随机化。 构建流程：采取有放回的抽
转载
2023-07-24 17:12:21
91阅读
目录***特征工程部分***1.工具准备2.读取数据3.准备数据4.默认参数的随机森林模型5.随机森林超参数调优通过计算确定n_estimators=200，调其他参数当max_features=26，模型性能抖动上升，无需细调可以看出max_depth单调上升，继续扩大max_depth通过调整，发现max_depth=40最优，接下来调整m
转载
2024-03-17 10:15:29
310阅读
文本分类的14种算法（4）随机森林算法随机森林就是指通过多个不同的决策树进行预测，最后取多数的预测结果为最终结果。 随机森林算法的核心思想叫bagging，是集成学习的一类（另一类是boosting），类似于生活中的投票表决，但投票表决肯定要建立在各人有不同意见的基础上啊，所以随机森林的决策树必须是不同的（不然一个决策树预测多遍有什么用）。为了实现这个不同决策树的生成，就需要决策树满足如下规则：
转载
2024-05-01 20:07:57
116阅读
集成（Ensemble）分类模型综合考量多个分类器的预测结果，从而做出决策，大体可以分为两种：一种是利用相同的训练数据同时搭建多个独立的分裂模型，然后通过投票的方式，以少数服从多数的原则作出最终分类的决策，典型的有随机森林分类器（Random Forest Classifier），即在相同的训练数据上同时搭建多棵决策树（Decision Tree），每棵决策树会放弃固定的排序算法，随机选取特征。另
转载
2024-08-21 16:26:51
46阅读
