基于AdaBoost改进随机森林的高光谱图像地物分类方法研究

摘要

为了提升传统等权随机森林的分类精度,提出基于自适应提升(Adaptive Boosting,AdaBoost)的加权随机森林组合算法。该方法引入样本权重的概念,根据样本是否被正确分类调整各个样本的权重,使得分类器更加重视被错分的样本,依据分类器的分类错误率赋予其在组合模型中的投票权重。利用黑河生态水文CASI高光谱数据和黄河口CHRIS高光谱遥感数据对该方法进行实验验证,结果表明:与等权随机森林相比,加权随机森林在总体分类精度、平均分类精度和Kappa系数有着更好的表现,并在实验中取得了高于等权随机森林与支持向量机(Support Vector Machine,SVM)的分类结果。