中國地質(zhì)大學武漢模式識別第二次試驗kmeansVIP

1、模式識別第二次實驗 學號： 20121001873 班學號：07512213 姓名： 吳澤光 指導(dǎo)老師：馬麗 中國地質(zhì)大學（武漢）機械與電子信息學院 2015年4月題目：基于k-means算法的遙感圖像分類實驗?zāi)繕耍?. 掌握K-means算法原理2. 用MATLAB實現(xiàn)k-means算法，并進行結(jié)果分析實驗內(nèi)容：1. 采用zy3sample數(shù)據(jù)（400*400*4），該數(shù)據(jù)包含4個類別：土地；農(nóng)作物/植被；大棚；道路。2. 關(guān)于初始聚類中心的選擇，如果是采用隨機選擇方法，那么至少隨機選擇3次，并進行結(jié)果比較。（注意：道路占有的像素很少，所以隨機選擇4個聚類中心的話，很可能選擇不到這種地物。可

2、以思考該如何解決這個問題？可以簡單的先從帶有標簽的CMap（也就是自己做的ROI保存的圖像）中選擇，也就是當選擇的4個聚類中心都正確的分別屬于一類地物的話，看看k-means算法的結(jié)果，是否比在整個圖像中隨機選擇要好。）3. 關(guān)于迭代終止條件。可以參考下面的一種方法：（1）設(shè)置一個閾值，當前后兩次聚類中心的差別小于這個閾值的時候，停止迭代。（2）設(shè)置一個閾值，當前后兩次聚類中所包含的點的數(shù)目變化小于這個閾值的時候，停止迭代。（3）設(shè)置最多迭代次數(shù)，也就是不管迭代有沒有收斂，只要達到這個迭代次數(shù)就停止。4. 關(guān)于距離度量方法，可以選用歐氏距離，光譜角距離（提供代碼），如果兩個都選擇，那么比較一下

3、聚類效果哪個好，或者也可以查資料采用其他更好的方法。5. 畫出整個圖像的聚類結(jié)果，每種類別采用一種彩色ujuj（提供ColorTable和畫圖代碼）。基本要求：1.每位同學必須掌握k-mean算法的原理，以及會用MATLAB把算法實現(xiàn)，對圖像進行分類。發(fā)揮部分：1. 關(guān)于初始聚類中心的選擇，進行方法的比較和思考。2. 關(guān)于距離度量方法，進行方法的比較和思考。3. 實驗的目的就是得到更好的聚類效果，不管采用什么方法，只要達到這個目的就可以。試驗過程：1，k-means算法原理： K-means算法是很典型的基于距離的聚類算法，采用距離作為相似性的評價指標，即認為兩個對象的距離越近，其相似度就越大

4、。該算法認為簇是由距離靠近的對象組成的，因此把得到緊湊且獨立的簇作為最終目標。 算法過程如下：1)從N個數(shù)據(jù)中隨機選取K個點作為類心2）對剩余的每個數(shù)據(jù)點測量其到每個類心的距離，并把它歸到最近的類心的類3）重新計算已經(jīng)得到的各個類的類心4）迭代23步直至新的類心與原類心相等或小于指定閾值，算法結(jié)束2，算法代碼：1)首先選擇每個類的平均值作為每個類的類心，類心迭代5次：% 讀遙感數(shù)據(jù)，以及讀入帶標簽的數(shù)據(jù)%在CMAP中求平均值，歐式距離,定閾值clear % read the data zy3sample1Img = multibandread('zy3sample1',400,

5、400,4,'float',0,'bsq','n','Band','Direct',1:4);%將高光譜數(shù)據(jù)讀入GT = multibandread('zys',400,400,1,'uint8',0,'bsq','n','Band','Direct',1:1);%將ground truth讀入（也就是帶標簽的CMap或說ROI信息讀入）test_class=1:4;C=length(test_class);NbRow=

6、400;NbCol=400;NbDim=4;dataname='zy3'X=;Y=;A=zeros(C,4);for i=1:C row,col=find(GT=i);%總共21837個點有值 for j=1:length(row) data=reshape(Img(row(j),col(j),:),1,NbDim); A(i,:)=A(i,:)+data; X=X;data;%采樣4列 Y=Y;i;%標簽信息 end A(i,:)=A(i,:)./length(row);%平均聚類中心enddata=reshape(Img,160000,NbDim);%將原始數(shù)據(jù)變成2維數(shù)據(jù)

7、j=1;for i=1:C %求各點到類心的距離 D=Euclidian_distance(data,A(i,:); D1(:,j)=D; j=j+1;endc,d=min(D1,2);%返回每行的最小值的坐標v=;A1=zeros(4,4);D=;K-means部分：for n=1:5 A2=A1; for i=1:C %重新分類 N=; l=find(d=i); %尋找類別的地址 N=data(l,:); A1(i,:)=mean(N);%新的平均聚類中心,求每一列的均值 end for i=1:C %求各點到類心的距離 D=Euclidian_distance(data,A1(i,:);

8、%求出距離再次分類 D2(:,i)=D; end c,d=min(D2,2);%返回每行的最小值的坐標 end DATA=d;LINES=400;SAMPLES=400;ColorTable=160,82,45;% c1:soil 255, 255, 255 ;%c3:house 0 255 0;%c4 road 255,0,0 ;%c2:grassCOLORTABLE=ColorTable; ClassificationMap = GenerateClassificationMap( LINES, SAMPLES, COLORTABLE, DATA );imshow(Classificati

9、onMap);title('迭代5次后的分類結(jié)果')2）隨機選擇類心，對比程序：A=zeros(4,4);for i=1:4r=randperm(16000);r=r(1);A(i,:)=data(r,:);%隨機數(shù)據(jù)做為類心end3）求數(shù)據(jù)之間的光譜角距離：%光譜角距離function D=SAM(data1,data2) ;% input：nsamp*nband%data1，data2,(n*d)的列向量為data，行向量為dimensions%data1未知光譜，data2已知光譜%結(jié)果：0到pi/2，越相似，D越小，越接近0.if nargin<2, %如果只有1

10、個輸入，就是求data1之間的SAM距離 length_1=sqrt(sum(data1.*data1)'); % length_1：1*N; data:N*L D=real(acos(data1*data1'./(length_1'*length_1); D = min(D,D'); %保證對稱 for i=1:size(D,1) D(i,i)=0; end %保證對角線值為0else %如果2個輸入，就是求data1和data2之間的SAM距離 length_1=sqrt(sum(data1.*data1)'); % 1*N; data:N*L le

11、ngth_2=sqrt(sum(data2.*data2)'); D=real(acos(data1*data2'./(length_1'*length_2);endfunction D=Euclidian_distance(data1,data2) %data:N*Lif nargin<2 %求data1數(shù)據(jù)之間的歐氏距離陣D length_1=sum(data1.*data1)'); % 1*N; data:N*L ab=data1*data1' D=repmat(length_1,size(length_1,2),1) + repmat(le

12、ngth_1',1 size(length_1,2) -2*ab; D = min(D,D'); D=sqrt(D); for i=1:size(D,1) D(i,i)=0; endelse %求data1和data2數(shù)據(jù)之間的歐氏距離陣D length_1=sum(data1.*data1)',1); % 1*N; data:N*L length_2=sum(data2.*data2)',1); ab=data1*data2' data1=;data2=; D=repmat(length_1',1,size(length_2,2) + repmat(length_2,size(length_1,2),1) -2*ab; D=sqrt(D);endD=real(D);4）求數(shù)據(jù)之間的歐氏距離：3）算法結(jié)果：歐氏距離，以每個類的平均值為類心迭代5次后的結(jié)果：對比上個算法，隨機選擇類心的結(jié)果： 對比第一個算法，隨機選擇類心迭代一次后的結(jié)果： 對比第一個算法，選擇平均類心循環(huán)一個后的結(jié)果： 對比上一個算法，選擇光譜角后的結(jié)果： 4，結(jié)果分析： 總體的分類效果都不是很好。從迭代次數(shù)來看，選擇每一類的平均值作為類心且只迭代一次的效果最好。隨機選擇類心分