模式识别第二次实验
学号：20121001873
班学号：07512213姓名：吴泽光
指导老师：马丽
中国地质大学（武汉）机械与电子信息学院2015年4月
1
f题目：基于kmea
s算法的遥感图像分类
实验目标：1掌握Kmea
s算法原理2用MATLAB实现kmea
s算法，并进行结果分析实验内容：1采用zy3sample数据（4004004），该数据包含4个类别：土地；农作物植被；大棚；道路。2关于初始聚类中心的选择，如果是采用随机选择方法，那么至少随机选择3次，并进行结果比较。（注意：道路占有的像素很少，所以随机选择4个聚类中心的话，很可能选择不到这种地物。可以思考该如何解决这个问题？可以简单的先从带有标签的CMap（也就是自己做的ROI保存的图像）中选择，也就是当选择的4个聚类中心都正确的分别属于一类地物的话，看看kmea
s算法的结果，是否比在整个图像中随机选择要好。）3关于迭代终止条件。可以参考下面的一种方法：（1）设置一个阈值，当前后两次聚类中心的差别小于这个阈值的时候，停止迭代。（2）设置一个阈值，当前后两次聚类中所包含的点的数目变化小于这个阈值的时候，停止迭代。（3）设置最多迭代次数，也就是不管迭代有没有收敛，只要达到这个迭代次数就停止。4关于距离度量方法，可以选用欧氏距离，光谱角距离（提供代码），如果两个都选择，那么比较一下聚类效果哪个好，或者也可以查资料采用其他更好的方法。5画出整个图像的聚类结果，每种类别采用一种彩色ujuj（提供ColorTable和画图代码）。
基本要求：1每位同学必须掌握kmea
算法的原理，以及会用MATLAB把算法实现，对图像进行分类。发挥部分：1关于初始聚类中心的选择，进行方法的比较和思考。2关于距离度量方法，进行方法的比较和思考。3实验的目的就是得到更好的聚类效果，不管采用什么方法，只要达到这个目的就可以。试验过程：1，kmea
s算法原理：Kmea
s算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。算法过程如下：1从N个数据中随机选取K个点作为类心2）对剩余的每个数据点测量其到每个类心的距离，并把它归到最近的类心的类3）重新计算已经得到的各个类的类心4）迭代2～3步直至新的类心与原类心相等或小于指定阈值，算法结束
2
f2，算法代码：1首先选择每个类的平均值作为每个类的类心，类心迭代5次：读遥感数据，r