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，并在处理结束后删除
2 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
3 工具引用
基于此工具进行科学研究，请引用：
4 随机森林
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：
5 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/ranftscnew
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。
6 使用说明
本工具包提供3个工具，均位于Toolbox/Extensions/Random Forest/…，如下所示：
6.1 Train Random Forest Model
本工具提供模型训练和图像分类功能（可选）。
1) 在Toolbox中，双击/Extensions/Random Forest/Train Random Forest Model，工具界面如下图所示。
2) 参数设置：
- Input Raster：输入影像。选择图像时不能进行空间、光谱裁剪或掩膜（ENVI 5.5及以上版本已经禁止显示这些按钮，如下图所示）。
- Random Sampling：在样本像元数较多时，建议设置此参数为 Yes，可随机抽取部分样本用于训练从而缩短时间。
- Input Training ROIs：输入训练样本，即ENVI感兴趣区域。对于ENVI 5.3版本，需预先在ENVI中打开ROI，再打开此工具。
- Estimators：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。
- Criterion：Impurity function to determine the impurity。可选项为 Gini Index、Entropy。默认为 Gini Index。
- Minimum Number of Samples：Minimum number of samples to stop splitting（……翻译不到位，请自行理解吧）
- Minimum Impurity Decrease：Minimum impurity to stop splitting（……翻译不到位，请自行理解吧）
- Output Model File：必选项。设置训练模型输出文件路径，文件后缀为rfc（会自行添加）。
- Output Classification Raster：可选项。若设置分类图像输出路径，则在模型训练完毕后，自动将模型应用于输入图像，得到分类结果。
6.2 Random Forest Classify Raster
本工具提供随机森林图像分类功能，可以将上述工具训练的模型用于其他图像。
1) 在Toolbox中，双击/Extensions/Random Forest/Random Forest Classify Raster，工具界面如下图所示。
2) 参数设置：
- Input Raster：输入影像。选择图像时不能进行空间、光谱裁剪或掩膜（ENVI 5.5及以上版本已经禁止显示这些按钮）。
- Input Trained Model File：输入训练好的随机森林模型文件（rfc后缀）。
- Output Classification Raster：设置分类图像输出文件路径。
6.3 Random Forest Classify Raster Batch
本工具提供随机森林图像分类批处理功能，方便将同一模型用于多个图像。
1) 在Toolbox中，双击/Extensions/Random Forest/Random Forest Classify Raster Batch，工具界面如下图所示。
2) 参数设置：
- Input Rasters：输入多个待分类影像。
- Input Trained Model File：输入训练好的随机森林模型文件（rfc后缀）。
- Output Postfix：设置输出文件名后缀，默认为_rfc.dat。
- Display Results：是否自动加载显示结果。默认为是。
- Output Directory：输出目录。ENVI 5.5及以上版本会弹出选择目录的界面；而低版本将弹出选择文件的界面，此时随意定义输出文件名即可，程序将只使用所在目录作为输出目录。
7 接口调用
7.1 Train Random Forest Model
接口调用格式如下：
e = ENVI()
raster = e.OpenRaster(file)
rois = e.OpenROI(roifile)
Task = ENVITask('TrainRandomForestModelTask')
Task.INPUT_RASTER = raster
Task.INPUT_ROIS = rois
Task.NUMBER_OF_TREES = 100
Task.IMPURITY_FUNCTION = 'Gini Index'
Task.MIN_NUMBER_OF_SAMPLES = 1
Task.IMPURITY_THRESHOLD = 0
Task.OUTPUT_MODEL_URI = 'C:\temp\model.rfc'
Task.OUTPUT_RASTER_URI = 'C:\temp\class.dat'
Task.Execute
output_raster = Task.OUTPUT_RASTER
7.2 Random Forest Classify Raster
接口调用格式如下：
e = ENVI()
raster = e.OpenRaster(file)
Task = ENVITask('RandomForestClassifyRasterTask')
Task.INPUT_RASTER = raster
Task.MODEL_FILE = 'C:\temp\model.rfc'
Task.OUTPUT_RASTER_URI = 'C:\temp\class.dat'
Task.Execute
output_raster = Task.OUTPUT_RASTER
7.3 Random Forest Classify Raster Batch
接口调用格式如下：
其中，OUTPUT_RASTER_URI 参数较为特殊，可随便指定为一个不存在的文件路径即可，如下所示，将自动使用 C:\temp\ 作为输出路径。
e = ENVI()
raster1 = e.OpenRaster(file1)
raster2 = e.OpenRaster(file2)
Task = ENVITask('RandomForestClassifyRasterBatch')
Task.INPUT_RASTERS = [raster1, raster2]
Task.MODEL_FILE = 'C:\temp\model.rfc'
Task.OUTPUT_POSTFIX = '_classrfc.dat'
Task.DISPLAY_RESULTS = 0
Task.OUTPUT_RASTER_URI = 'C:\temp\uselessname'
Task.Execute
output_files = Task.OUTPUT_FILES
