请教关于随机森林分类遥感影像的问题
首先是栅格标签图制作。我在 arcgis中通过目视判断，建立了森林、城市两种感兴趣区，并且转为tif图层。生成的tif图层，森林的值为1，城市的值为2。
然后训练了随机森林模型。再用训练好的随机森林模型去测试新的数据。但是我发现生成的图是一张所有的值都是127的分类图。这是咋回事啊？我发现127似乎是原来随机森林模型中不属于“森林”与“城市”的其他地物的分类值
import numpy as np
from osgeo import gdal
# 读取遥感影像和栅格标签图数据
image_path = r'C:\Users\ASUS\Desktop\train.tif'
label_path = r'C:\Users\ASUS\Desktop\广东省\lable.tif'
image_dataset = gdal.Open(image_path)
label_dataset = gdal.Open(label_path)
image_array = image_dataset.ReadAsArray()
label_array = label_dataset.ReadAsArray()
# 初始化特征矩阵 X 和类别标签向量 y
X = []
y = []
# 遍历所有像素,shape[0]与shape[1]表示从左上角到右下角。
# label_array读取自lable.tif，lable.tif为单波段影像。所以shape[0]与shape[1]表示列和行
for i in range(label_array.shape[0]):
for j in range(label_array.shape[1]):
feature = image_array[:, i, j] # 提取像素特征
label = label_array[i, j] # 获取像素的类别标签
X.append(feature)
y.append(label)
# 将 X 和 y 转换为 Numpy 数组
X = np.array(X)
y = np.array(y)
# 将特征保存到文本文件
np.savetxt('D:\y.txt', y, fmt='%d', delimiter=' ')
np.savetxt('D:\X.txt', X, fmt='%d', delimiter=' ')
# 现在 X 是特征矩阵，y 是类别标签向量，可以用于训练随机森林模型
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建随机森林模型
n_estimators = 100 # 设置随机森林中决策树的数量
random_state = 42 # 设置随机种子，以确保结果可重复
rf_model = RandomForestClassifier(n_estimators=n_estimators, random_state=random_state)
# 训练随机森林模型
rf_model.fit(X_train, y_train)
# 在测试集上进行预测
y_pred = rf_model.predict(X_test)
# 计算模型的准确率
accuracy = accuracy_score(y_test, y_pred)
print("模型准确率:", accuracy)
##用训练好的模型去测试新的数据
# 读取新的待预测图像
import rasterio
from rasterio.transform import from_origin
new_image_path = r'C:\Users\ASUS\Desktop\test.tif'
with rasterio.open(new_image_path) as new_image_dataset:
Tif_width = new_image_dataset.width # 栅格矩阵的列数
Tif_height = new_image_dataset.height # 栅格矩阵的行数
Tif_geotrans = new_image_dataset.transform # 获取仿射矩阵信息
Tif_proj = new_image_dataset.crs # 获取投影信息
new_image_array = new_image_dataset.read()
# 对新图像的数据格式进行调整，图像为rgb三通道图像
# 在机器学习中，特征矩阵的形状应该是 (n_samples, n_features)
# n_samples 表示样本数量（即图像的行列像元数height* width），n_features 表示每个样本的特征数（即rgb三个bands的像素值）。
# transpose(1, 2, 0)将(波段数, 列数 , 行数)变成二维数据满足随机森林输入，实现了从 (num_bands, height, width) 到 (height, width, num_bands) 的转置。
# reshape(-1, 3): 这是在进行数据重塑，reshape用于将多维的图像数据转换成一个二维矩阵，其中每一行代表一个像素点的特征。
# -1 在这里表示根据其他维度的大小自动计算当前维度的大小，3 表示bands，因此每个样本（每个像素点）具有三个特征。
#这样的操作会确保每一行代表一个像素点的特征，而列代表不同的波段特征，使其符合随机森林模型的输入要求。
data = new_image_array.transpose(1, 2, 0).reshape(-1,3)
# 对调整好格式的数据进行预测
oldpred = rf_model.predict(data)
# 调整预测结果的形状
newpred = oldpred.reshape(Tif_height, Tif_width)
# 将结果写到tif图像里
meta = new_image_dataset.meta
meta.update(dtype=rasterio.uint8, count=1)
with rasterio.open(r'D:\test826.tif', 'w', **meta) as test:
test.write(newpred, 1)
print('image_array shape',image_array.shape)
print('label_array shape',label_array.shape)
print('X',X.shape)
print('y',y.shape)
print('X value',X)
print('y value',y)
print('new_image_array shape',new_image_array.shape)
print('new_image_array value',new_image_array)
# 将特征保存到文本文件
print('data',data.shape)
print('oldpred',oldpred.shape)
print('newpred',newpred.shape)
# 可视化预测结果
import matplotlib.pyplot as plt
plt.imshow(newpred, cmap='jet')
plt.colorbar()
plt.show()
输出结果如下：
模型准确率: 0.962233268671193
image_array shape (3, 7691, 7541)
label_array shape (253, 326)
X (82478, 3)
y (82478,)
X value [[0 0 0]
[0 0 0]
[0 0 0]
...
[0 0 0]
[0 0 0]
[0 0 0]]
y value [127 127 127 ... 127 127 127]
new_image_array shape (3, 7691, 7531)
new_image_array value [[[0 0 0 ... 0 0 0]
[0 0 0 ... 0 0 0]
[0 0 0 ... 0 0 0]
...
[0 0 0 ... 0 0 0]
[0 0 0 ... 0 0 0]
[0 0 0 ... 0 0 0]]
[[0 0 0 ... 0 0 0]
[0 0 0 ... 0 0 0]
[0 0 0 ... 0 0 0]
...
[0 0 0 ... 0 0 0]
[0 0 0 ... 0 0 0]
[0 0 0 ... 0 0 0]]
[[0 0 0 ... 0 0 0]
[0 0 0 ... 0 0 0]
[0 0 0 ... 0 0 0]
...
[0 0 0 ... 0 0 0]
[0 0 0 ... 0 0 0]
[0 0 0 ... 0 0 0]]]
data (57920921, 3)
oldpred (57920921,)
newpred (7691, 7531)
数据链接：https://pan.baidu.com/s/1-5nVSRrl2THVt2naLqVzng 提取码：1234
输出的图
