下载文档原格式
ENVI遥感图像处理之计算机分类一、非监督分类１、K—均值分类算法步骤:1）打开待分类得遥感影像数据２)依次打开：EＮVI主菜单栏—〉Cｌaｓsifiｃatiｏn—>Unsuperｖｉsed—>K—Means即进入K均值分类数据文件选择对话框3）选择待分类得数据文件4)选好数据以后，点击OK键，进入K-Means参数设置对话框，进行有关参数得设置，包括分类得类数、分类终止得条件、类均值左右允许误差、最大距离误差以及文件得输出等参数得设置5）建立光谱类与地物类之间得联系：在新窗口中显示分类结果图：然后，打开显示窗口菜单栏Tools菜单—＞Color Maｐpｉng—〉Ｃlass ＣolｏｒMａppｉｎg…进入分类结果得属性设置对话框，在这里,可以进行类别得名称，显示得颜色等，建立了光谱类与地物类之间得联系。
设置完成以后，点击菜单栏Opｔiｏnｓ-〉Saｖe Chang ｅs 即完成光谱类与地物类联系得确立6)类得合并问题：如果分出得类中，有一些需要进行合并，可按以下步骤进行:选择ENＶI主菜单Classfaction-〉Post Clａｓsｆictｉon—>biｎe Classｅs，进入待合并分类结果数据得选择对话框点击OＫ键,进入合并参数设置对话框，在左边选择要合并得类，在右边选择合并后得类,点击Add bination键即完成一组合并得设置，如此反复，对其她需合并得类进行此项操作，点击OK，出现输出文件对话框,选择输出方式，即完成了类得合并得操作.至此,K—均值分类得方法结束。
2、ISODAＴA算法基本操作与K—均值分类相似。
1）进行分类数据文件得选择(依次打开:EＮVI主菜单栏—＞Clａｓsifｉｃation—>Unsupeｒｖised—＞IsoＤaｔa即进入ISODATA算法分类数据文件选择对话框，选择待分类得数据文件）2）进行分类得相关参数得设置(点击ＯK键以后，进入参数设置对话框，可以进行分类得最大最小类数、迭代次数等参数得设置）3）如此，光谱类得划分到此结束。
实验四遥感图像的监督分类和⾮监督分类实验四遥感图像的⾮监督分类与监督分类⼀、实验⽬的1．⾮监督分类是对数据集中的像元依据统计数字，光谱类似度和光谱距离进⾏分类，在没有⽤户定义的条件下练习使⽤，在ENVI环境下的⾮监督分类技术有两种：迭代⾃组织数据分析技术（ISodata）和K均值算法（K-Means）；2．分类过程中应注意：1）怎样确定⼀个最优的波段组合，从⽽达到最佳的分类精度，基于OIF和相关系数，协⽅差矩阵以及经验的使⽤来完成对最适合的组合的选取，分类效果的关键即在于此；2）K-Means的基本原理；3）Isodata的基本原理；4）分类结束后，被分类后的图像是⼀个新的图像，被分类类码秘填充，从⽽可以获得数据提取信息，统计不同类码数量，转化为实际⾯积，在得到后的图像上，可对不同⽬标的形态指标进⾏分析。
3．对训练区中的像元进⾏分类；4．⽤训练数据集估计查看监督分类后的统计参数；5．⽤不同⽅法进⾏监督分类，如最⼩距离法、马⽒距离法和最⼤似然法。
⼆、实验设备与材料1、软件ENVI 4.7软件2、所需材料TM数据三、实验步骤1.选择最优的波段组合ENVI主⼯具栏中File →Open image file →选择hbtmref.img打开→在Basic Tools中选择Statistics →Compute statistics选定原图，在Spectral subset中可选项全部选定→OK →OK →全选→保存→OK，则各类统计数字均可查；OIF计算，选择分类波段：1，2；2，3；1，3波段标准差分别为2.665727；3.473308；4.574609，和为10.713644。
Correlation Matrix 中1和2波段的相关系数0.964308，加上2和3波段的相关系数0.980166，再加上1和3波段的相关系数0.945880，最终等于2.890354。
⽤标准差相加的结果10.713644⽐上相关系数之和2.890354等于3.70668922。
遥感图像的分类方法
遥感图像的分类方法常见有以下几种：
1. 监督分类方法：该方法需要先准备一些具有标签的样本数据集进行训练，并从中学习模式进行分类。
常见的监督分类方法包括最大似然分类、支持向量机等。
2. 无监督分类方法：该方法不需要标签样本数据集，通过对图像像素进行统计分析和聚类来确定类别。
常见的无监督分类方法包括K均值聚类、高斯混合模型等。
3. 半监督分类方法：该方法结合监督和无监督分类方法的优势，同时利用有标签和无标签样本数据进行分类。
常见的半监督分类方法包括标签传播、半监督支持向量机等。
4. 深度学习分类方法：近年来，随着深度学习方法的发展，基于卷积神经网络（CNN）的遥感图像分类方法变得流行。
这些方法通过搭建深度学习网络模型并使用大量的标签样本进行训练，能够实现较高的分类精度。
除了以上几种方法外，还有基于纹理特征、形状特征等的分类方法。
不同的分类方法适用于不同的遥感图像场景和实际需求。
综合考虑数据集大小、分类效果、计算时间等因素，选择合适的分类方法对于遥感图像的分类任务非常重要。
遥感影像分类方法比较研究一、本文概述随着遥感技术的迅速发展，遥感影像已成为地理信息系统、环境科学、城市规划等领域获取地表信息的重要手段。
遥感影像分类作为遥感技术应用的关键环节，其准确性和效率直接影响到后续的信息提取和应用。
研究遥感影像分类方法，对于提高遥感数据处理能力，促进遥感技术的广泛应用具有重要意义。
本文旨在比较研究不同遥感影像分类方法的特点、优势与局限性，以期在理论层面为遥感影像分类提供方法论的参考。
文章首先将对遥感影像分类的基本概念、分类体系进行阐述，为后续的比较研究奠定基础。
接着，文章将详细介绍几种主流的遥感影像分类方法，包括基于像元的分类方法、面向对象的分类方法、深度学习分类方法等，并对各方法的原理、实现步骤进行深入剖析。
在此基础上，文章将通过实验数据，对各分类方法的性能进行评估和比较，分析各方法的优劣和适用场景。
文章将总结遥感影像分类方法的发展趋势，展望未来的研究方向和应用前景。
通过本文的研究，旨在提高遥感影像分类的准确性和效率，推动遥感技术在各个领域的应用发展。
也为遥感领域的学者和实践者提供有益的参考和借鉴。
二、遥感影像分类方法概述遥感影像分类是遥感技术应用的重要领域之一，其目的在于通过对遥感影像的解译和分析，识别并区分地表上的不同特征和目标。
随着遥感技术的发展和进步，遥感影像分类方法也在不断更新和完善。
目前，遥感影像分类方法主要分为监督分类、非监督分类和深度学习分类等几种。
监督分类是基于已知训练样本进行分类的方法。
它通过选择具有代表性的训练样本，提取其特征并构建分类器，然后利用该分类器对整个遥感影像进行分类。
常见的监督分类方法包括最大似然分类、支持向量机分类、决策树分类等。
这些方法在遥感影像分类中具有较高的精度和稳定性，但需要大量的训练样本和先验知识。
非监督分类是基于影像内部像素之间的相似性进行分类的方法。
它不需要先验知识和训练样本，而是根据像素之间的统计特征或空间关系进行聚类分析，将具有相似性质的像素归为一类。
基本方法1.非监督分类也称为聚类分析或点群分析，即在图像中搜寻、定义其自然相似光谱集群组的过程。
其完全按照像元的光谱特征进行统计分类，常常用于对分类区没有太多了解情况下。
这种方法人为干预较少，自动化程度较高。
该种分类方法的前提是假定遥感影像上同类物体在同样条件下具有相同的光谱信息特征。
E n v i中非监督分类的两种算法：a．K-均值算法：通过迭代，逐次移动各类的中心，直到最好的聚类结果为止。
该法使用了聚类分析方法，它需要分析员在数据中选定所需的分类个数，随机地查找聚类簇的中心位置，然后迭代地重新配置它们，直到达到最优化的波谱分类。
b．I S O D A T A算法(Iterative Self-Organizing Data Analysis T echniques Algorithm)亦称迭代自组织数据分析算法，基于最小光谱距离公式，完全按照像元的光谱特性进行统计分类。
迭代：不断重复分类过程,并且重新计算统计值。
自组织：最少的用户输入即可进行类型的确定。
聚类过程始于任意聚类平均值或一个已有分类模板的平均值；用最小光谱距离把每一候选象元赋予一个类别；聚类每重复一次，聚类的平均值就更新一次，新聚类的均值再用于下次聚类循环。
这样不断重复运算，直到最大的循环次数已达到设定阈值或者两次聚类结果相比达到了最大类别的像元百分比已经不再发生变化。
一般ISODAT A需要分析者定义例如最大的集群组数量，最小的集群均值间距离等参数。
在实际应用中，经过此算法所得到的图.分析者还要开展进一步的分类合并以及分类后处理等工作分析者还要开展进一步的分类合并以及分类后处理等工作(分类的后续工作,不管采用哪种方法都应该进行)。
特点：不需要更多的先验知识；方法简单，具有一定的精度；当光谱特征类能够和唯一的地物类型相对应时分类精度较好。
2.监督分类基本思想：根据类别的先验知识确定判别函数和相应的判别准则，其中利用一定数量的已知类别的样本（称为训练样本）的观测值确定判别函数中待定参数的过程称之为学习(Learning)或（T ranining），然后将未知类别的样本的观测值代入判别函数，再依据判别准则对该样本的所属类别作出判定。
遥感图像处理方法与技巧引言：遥感图像处理是指通过感知、获取地球表面信息的遥感数据，利用计算机技术和图像处理算法对遥感图像进行处理、分析、提取等操作的过程。
这一技术的发展不仅在地理信息系统领域有着广泛的应用，也在农业、环境保护、城市规划等诸多领域发挥着重要作用。
本文将介绍几种常见的遥感图像处理方法和技巧。
一、图像预处理技术在进行进一步的图像处理前，通常需要对原始遥感图像进行预处理，以消除图像中的噪声、增强图像的特定信息等。
图像预处理的主要方法有：1.空间滤波：通过利用滤波器，对图像进行平滑或锐化处理。
常用的滤波器包括均值滤波器、中值滤波器和高斯滤波器。
2.辐射校正：由于不同地表物体对电磁波的反射率不同，遥感图像中的亮度值会受到光照和传感器等因素的影响。
辐射校正可消除这些因素对图像的影响，使得不同遥感图像具有一致的亮度分布。
3.几何校正：由于遥感图像通常受到地球自转、地形起伏等因素的影响，导致图像中的地理信息不准确。
几何校正可以修正图像的位置和形状，使其与真实地理坐标一致。
二、图像分类与分割方法图像分类与分割是遥感图像处理的核心环节，旨在将遥感图像中的不同地物或地物类别进行识别和分离。
常见的分类与分割方法有：1.基于像元的分类：将遥感图像中的每个像元（图像的最小单位）分配给不同的类别。
这种方法基于每个像元的统计特征进行分类，如亮度、颜色和纹理等。
2.分层分类：将遥感图像中的类别按照层级进行分类，从粗粒度到细粒度逐步区分不同地物。
3.聚类分割：通过对遥感图像中的像元进行聚类，将具有相似特征的像元划分到同一类别。
常用的聚类算法有K-means和基于区域的分水岭算法。
4.基于边缘的分割：提取遥感图像中物体的边缘信息，并利用边缘信息对图像进行分割。
这种方法适用于物体之间边缘明显的场景。
三、变化检测技术变化检测是指通过比较不同时期的遥感图像，寻找并分析地表上发生的变化。
变化检测技术在自然灾害监测、城市规划等方面有着广泛的应用。
遥感分类方法遥感技术作为一种获取地球表面信息的重要手段，已经广泛应用于农业、林业、地质勘探、环境监测等领域。
而遥感分类作为遥感技术的重要应用之一，对于地物的识别和分类具有重要意义。
本文将介绍一些常见的遥感分类方法，以期为相关领域的研究和应用提供一些参考。
1. 监督分类。
监督分类是一种基于训练样本的分类方法。
其基本思想是通过已知类别的样本数据，利用计算机自动识别地物类别。
监督分类的步骤一般包括选择训练样本、提取特征、选择分类器、训练分类器和分类结果验证等。
监督分类方法在遥感图像分类中应用广泛，具有较高的分类精度和稳定性。
2. 无监督分类。
与监督分类相对应的是无监督分类，它是一种不需要事先给定训练样本的分类方法。
无监督分类的基本思想是根据遥感图像自身的统计特征，将图像中的像元划分为不同的类别。
常见的无监督分类方法包括聚类分析、最大似然法、K均值算法等。
无监督分类方法适用于地物类别未知或难以获取训练样本的情况，但其分类精度通常低于监督分类。
3. 半监督分类。
半监督分类是监督分类和无监督分类的结合，它利用少量的已知类别样本和大量的未标记样本进行分类。
半监督分类方法能够充分利用未标记样本的信息，提高分类精度和泛化能力。
常见的半监督分类方法包括基于图的半监督分类、半监督支持向量机等。
4. 物候分类。
物候分类是一种基于地物生长发育特征的分类方法。
它利用遥感影像获取的植被生长信息，对地物进行分类。
物候分类方法通常结合植被指数、植被指数变化率等指标，对不同生长阶段的植被进行识别和分类。
物候分类方法在农业、林业等领域具有重要的应用价值。
5. 多尺度分类。
多尺度分类是利用多个尺度的遥感数据进行地物分类的方法。
多尺度分类方法能够充分利用不同尺度数据的信息，提高分类精度和鲁棒性。
常见的多尺度分类方法包括多尺度分割、多尺度特征融合、多尺度分类器融合等。
总结。
遥感分类方法是遥感技术应用的重要环节，不同的分类方法适用于不同的应用场景。
envi 中kmean 原理K均值算法（K-means）是一种常用的聚类分析方法，它可以将一组数据划分成不同的簇（cluster）。
在环境科学领域，K均值算法被广泛应用于环境监测、生态模式分析和遥感图像处理等方面。
K均值算法的原理是基于数据点之间的距离计算来实现聚类分析。
首先，需要确定聚类的个数K，即将数据分成的簇的数量。
然后，在初始状态下，随机选择K个数据点作为初始的聚类中心。
接下来，将其他的数据点分别与这K个聚类中心进行距离计算，并将其归类到距离最近的聚类中心所在的簇中。
在所有数据点都归类完成后，计算每个簇的中心点（即簇内所有数据点的平均值），并将这些中心点作为新的聚类中心。
然后，重复上述步骤，直到聚类中心不再发生变化为止。
最终，得到的结果是将数据点分成K个簇，并且每个簇内的数据点相似度较高，而不同簇之间的相似度较低。
K均值算法的优点是简单易实现，计算速度快。
它适用于大规模数据集的聚类分析，并且可以处理非线性数据。
此外，K均值算法对异常值和噪声数据相对较为敏感，因此在使用时需要注意数据的质量和准确性。
然而，K均值算法也存在一些限制和局限性。
首先，K均值算法对于聚类的个数K需要提前给定，而且对于不同的K值，得到的聚类结果可能存在差异。
其次，K均值算法对于非凸形状的簇和不同大小的簇处理效果不佳。
此外，K均值算法对初始聚类中心的选择较为敏感，不同的初始状态可能导致不同的聚类结果。
为了解决这些问题，研究人员提出了一些改进的K均值算法。
一种常见的改进方法是使用多次随机初始化的K均值算法，然后选择具有最小误差的聚类结果作为最终结果。
另外，还可以使用层次聚类（hierarchical clustering）结合K均值算法，以自动确定最优的聚类个数K。
总的来说，K均值算法是一种简单而有效的聚类分析方法，在环境科学领域有着广泛的应用。
通过对数据点之间的距离计算和聚类中心的更新迭代，K均值算法可以将数据划分成不同的簇，从而揭示数据的内在结构和相似性。
人工智能及识别技术本栏目责任编辑：唐一东遥感图像场景分类综述钱园园，刘进锋*（宁夏大学信息工程学院，宁夏银川750021）摘要：随着科技的进步，遥感图像场景的应用需求逐渐增大，广泛应用于城市监管、资源的勘探以及自然灾害检测等领域中。
作为一种备受关注的基础图像处理手段，近年来众多学者提出各种方法对遥感图像的场景进行分类。
根据遥感场景分类时有无标签参与，本文从监督分类、无监督分类以及半监督分类这三个方面对近年来的研究方法进行介绍。
然后结合遥感图像的特征，分析这三种方法的优缺点，对比它们之间的差异及其在数据集上的性能表现。
最后，对遥感图像场景分类方法面临的问题和挑战进行总结和展望。
关键词：遥感图像场景分类；监督分类；无监督分类；半监督分类中图分类号：TP391文献标识码：A文章编号：1009-3044(2021)15-0187-00开放科学（资源服务）标识码（OSID ）：Summary of Remote Sensing Image Scene Classification QIAN Yuan-yuan ，LIU Jin-feng *(School of Information Engineering,Ningxia University,Yinchuan 750021,China)Abstract:With the progress of science and technology,the application demand of remote sensing image scene increases gradually,which is widely used in urban supervision,resource exploration,natural disaster detection and other fields.As a basic image pro⁃cessing method,many scholars have proposed various methods to classify the scene of remote sensing image in recent years.This pa⁃per introduces the research methods in recent years from the three aspects of supervised classification,unsupervised classification and semi-supervised classification.Then,combined with the features of remote sensing images,the advantages and disadvantages of these three methods are analyzed,and the differences between them and their performance performance in the data set are com⁃pared.Finally,the problems and challenges of remote sensing image scene classification are summarized and prospected.Key words:remote sensing image scene classification;Unsupervised classification;Supervise classification;Semi-supervised clas⁃sification遥感图像场景分类，就是通过某种算法对输入的遥感场景图像进行分类，并且判断某幅图像属于哪种类别。
测绘技术中的遥感影像处理方法详解遥感技术是当今测绘领域中不可或缺的一项重要技术，通过利用卫星、飞机等遥感平台获取的地球表面影像，可以为地质勘探、环境监测、城市规划等领域提供丰富、准确的地理信息数据。
遥感影像处理是遥感技术中的一种核心技术，本文将对其中的几种常用的处理方法进行详解。
1. 影像预处理遥感影像预处理是指在进行后续处理之前，对原始影像进行一系列的校正、增强等操作，以提高影像的质量和可用性。
其中包括几何纠正、辐射校正和大气校正等步骤。
几何纠正主要是针对影像中的几何畸变问题进行校正，通常包括影像配准、去除地形效应以及去除大地畸变等处理。
影像配准是指将不同卫星或不同时间拍摄的影像进行精确对准，使得它们能够在同一坐标系下进行比较和分析。
去除地形效应是为了消除由于地表起伏引起的影像变形，以确保影像中对地物的位置和形状描述准确。
去除大地畸变是为了消除地球曲面引起的影像形变，通常采用像点的投影转换和校正等方法。
辐射校正是为了将影像中的数字计数值转换为大气无影响的地表辐射亮度值，从而能够实现不同时间、不同地域之间的比较研究。
常用的辐射校正方法有分级灰度线性变换法、大气校正法和无标定性辐射校正法等。
大气校正是为了消除大气介质对遥感影像的影响，以准确获取地表反射率信息。
常用的大气校正方法有大气能见度法、基于粒子传输函数的大气校正法以及辐射传输模型法等。
2. 影像分类遥感影像分类是将影像中的像素分为不同的类别，以实现对地物类型的识别和区分。
常用的影像分类方法包括无监督分类和监督分类两种。
无监督分类是指在不需要先验知识的情况下，根据像素的相似性进行聚类分组，从而得到影像中各个类别的统计信息。
常用的无监督分类方法有K均值聚类法、高斯混合模型法以及自组织映射法等。
监督分类是在事先提供类别标记的训练样本的基础上，通过对样本进行特征提取和模式识别，从而对整个影像进行分类。
常用的监督分类方法有最大似然法、支持向量机法、人工神经网络法以及决策树法等。
遥感图像分类方法与结果验证技巧遥感图像分类是利用遥感数据进行地物分类的过程，是遥感技术在地学领域中的重要应用之一。
而遥感图像分类方法的选择和结果验证技巧的使用对于获得准确可靠的分类结果至关重要。
本文将讨论常见的遥感图像分类方法以及一些结果验证技巧。
一、遥感图像分类方法1. 监督分类方法监督分类方法是最常用的一种遥感图像分类方法，它需要先手动标注一些样本点，然后使用机器学习算法进行分类。
常用的监督分类方法包括支持向量机（SVM）、随机森林（RF）和人工神经网络（ANN）等。
这些方法在遥感图像分类中表现出色，但要求标注样本点会增加工作量。
2. 无监督分类方法与监督分类方法相反，无监督分类方法不需要事先手动标注样本点，而是通过对图像内部的类别划分进行分类。
常用的无监督分类方法包括聚类算法，如K均值算法和谱聚类算法。
这些算法可以有效地从遥感图像中自动识别出地物的类别，但分类结果的准确性可能不如监督分类方法。
3. 半监督分类方法半监督分类方法结合了监督和无监督分类方法的优点，它既可以利用有标签样本进行训练，又可以利用无标签样本进行分类。
典型的半监督分类方法包括自动编码器和生成对抗网络（GAN）等。
这些方法在遥感图像分类中具有潜力，可以有效提高分类结果的准确性。
二、结果验证技巧1. 精确度评估精确度评估是验证分类结果准确性的重要指标之一。
常用的精确度评估方法包括混淆矩阵、精确度（Accuracy）、召回率（Recall）和F1值等。
通过对分类结果和真实样本进行对比，可以评估分类算法的准确性。
2. 交叉验证交叉验证是在有限的数据集上评估模型性能的常用方法，它可以有效地避免由于数据集选择不当而引起的偏差。
常见的交叉验证方法有k折交叉验证和留一交叉验证。
在遥感图像分类中，交叉验证可以帮助评估模型在不同样本集上的分类性能。
3. ROC曲线分析ROC曲线分析是衡量分类器性能的重要工具，它可以绘制出分类器在不同阈值下真阳性率和假阳性率之间的关系。
遥感影像处理的使用方法遥感影像处理是一种通过获取、处理和分析遥感图像数据来获取地球表面特征和变化的技术。
它涉及到对遥感图像进行预处理、分类、监督分类、影像融合和影像解译等一系列操作。
本文将介绍遥感影像处理的使用方法，帮助读者更好地应用这一技术。
1. 数据预处理遥感图像在获取后需要进行一系列预处理，以消除噪声、增强图像质量并进行几何校正。
主要的预处理步骤包括：1.1 放射定标在进行任何图像处理之前，必须对遥感图像进行放射定标。
放射定标是将图像的原始数字值转换为辐射或反射性质的物理单位。
这个步骤通常需要使用图像的传感器参数、辐射校准目标和大气矫正来估算遥感图像的辐射或反射度量。
1.2 大气矫正大气矫正是从遥感图像中去除大气散射的过程。
大气矫正通常需要利用大气传输模型和辐射校准观测数据来估算图像中的大气散射量，并相应地调整图像的数字值。
1.3 几何校正几何校正是将遥感图像中的像素位置与地理位置对应起来，通常通过数字高程模型和地理参照系统来实现。
几何校正可消除由于传感器姿态和地形变形引起的图像形变，使图像能够正确地与现实世界对应。
2. 图像分类图像分类是将像素分配给具有不同类别的地物或地物类别的过程。
遥感影像处理中最常用的图像分类方法包括：2.1 基于像素的分类基于像素的分类是将每个像素根据特定属性进行分配到不同类别的方法。
这些属性可以包括反射光谱特征、纹理特征和空间特征等。
常见的基于像素的分类算法包括K均值聚类、最大似然分类和支持向量机等。
2.2 监督分类监督分类是在已知地物类别的训练样本的指导下进行的分类。
该方法通过构建分类器模型来将未知地物像素分类到已知类别中。
常见的监督分类算法包括最大似然分类、随机森林和神经网络等。
2.3 非监督分类非监督分类是一种无监督学习方法，它从遥感图像中自动识别出一组地物类别。
这种方法不需要事先定义训练样本，而是根据像素之间的相似性进行聚类。
常见的非监督分类算法包括K均值聚类和自组织映射等。
学生姓名：王晨曦班学号：075113-08指导老师：马丽中国地质大学(武汉)机械与电子信息学院2014年6月基于kNN算法的遥感图像分类实验目标：1. 掌握KNN算法原理2. 用MATLAB实现kNN算法，并进行结果分析实验内容：1. 采用zy3sample数据（400*400*4），该数据分为4个类别：土地；农作物/植被；大棚；道路。
有余力的同学最好再使用INP高光谱数据(数据全称：Indiana Indian Pines，大小145*145*200)进行分类。
2. 随机在所有带标记的数据中（也就是你自己做的ROI）选择train和test数据（比例自己定，可以50%train数据，50%test数据，也可以30%train数据70%test 数据,或者其他比例；可以尝试不同train数据数目下，分类效果的差别）【提供随机选择数据的代码】，然后进行kNN分类。
随机选择10次，然后求平均结果（以及标准差）作为最终对算法的评价。
3. 利用所有或者部分带标记的数据作为train数据，对整个图像进行分类，得到整个图像的分类结果图。
【提供ColorTable和画出分类图像的代码】4. 关于K值的选择，可以选择为1,3,5,7,9,11等。
有余力的同学，分别用这6种K的取值进行kNN算法，得到每种K值下的总体分类精度OA，然后进行比较（plot 画出不同K值下的OA变化曲线，或者给出表格，写出每种K值下的OA）。
5. 关于距离度量的选择，可以采用欧氏距离或者光谱角距离（提供代码；zy3数据应该欧式距离更好，INP数据应该SAM更好，因为INP是高光谱数据，zy3只有4个波段是多光谱数据。
SAM对高光谱数据的效果更好），有余力的同学，这两种距离都采用，然后做比较，或者尝试其他可能更有效的距离度量方式。
数据介绍：1.调用multibandread函数从二进制文件中读取多波段数据。
2.用reshape函数，重置图像的行数列数。
基于K均值的遥感图像自动识别分类胡高翔1，韩孜21武汉大学遥感信息工程学院, （430079）2宁波市浙江万里学院计算机与信息学院, （315100）hgxida@，hz110hz@摘 要： 遥感图像的计算机分类是模式识别技术在遥感技术领域中的具体应用。
本文采用了模式识别分类中非监督分类中k均值聚类方法对多维遥感图像进行分类，从而达到提取所需地物信息的目的。
关键词：模式识别、K均值聚类、遥感影像1.引言遥感图像的计算机分类，就是对地球表面及其环境在遥感图像上的信息进行属性的识别与分类，从而达到识别图像信息所相应的实际地物，提取所需地物信息的目的。
遥感图像的计算机分类是模式识别中的一个方面，它的主要是别对象是遥感图像及各种变换后的特征图像。
目前，遥感图像的自动识别方法主要采用统计方法，按照决策理论方法，需要从被识别的模式（即对象）中，提取一组反映模式属性的量测值，称之为特征，并把模式特征定义在一个特征空间中，进而利用决策的原理对特征空间进行划分。
以区分具有不同特征的模式，达到分类的目的。
统计模式识别从根本上讲，是利用各类的分布特征，即直接利用各类的概率密度函数、后验概率等，或隐含地利用上述概念进行分类识别。
其中的聚类分析法是利用待分类模式之间的“相似性”进行分类，较相似的作为一类，较不相似的作为另一类。
在分类过程中不断地计算所分划的各类的中心，一个待分类模式与各类中心的距离作为对其分类的依据。
这实际上是在某些设定下隐含地利用了概率分布概念，因常见的概率密度函数中，距期望值较近的点概率密度较大。
该类方法的另一种技术是根据待分类模式和已指判出类别的模式的距离来确定其类别，这实际上也是在一定程度上利用了有关概念。
K均值聚类方法是统计模式识别分类中非监督分类法的一种。
2.相关背景知识2.1 非监督分类非监督分类（也称聚类分析）算法中并没有显式的信号来对训练样本集中的每个输入样本提供类别标记和分类代价，并寻找能降低总体代价的方向。
系统对输入样本自动形成“聚类”或“自然”的组织。
所谓“自然”与否是由聚类系统所采用的显式或隐式的准则确定的。
给定一个特定的模式集和代价函数，不同的聚类算法将导致不同的结果。
通常要求用户事先指定预定的聚类的数目。
遥感影像的非监督分类是指人们事先对分类过程不施加任何的先验知识，而仅凭遥感影像地物的光谱特征的分布规律，即自然聚类的特性进行“盲目”的分类。
非监督分类的基本思想就是先选择若干个模式点作为聚类中心，每一个中心代表一个类别，按照某种相似性度量方法将各模式归于各聚类中心所代表的类别，形成初始分类。
然后由聚类准则判断初始分类是否合理，如果不合理就修改分类，如此反复迭代运算，直至合理为止。
2.2类的定义与类间距离2.1.1 类的定义类的划分具有人为规定性。
一个分类的结果优劣最后只能根据实际来评价，因此较多地利用研究对象的知识才能选择适当的类的定义，从而使分类结果更符合实际。
下面给出几组常用的类的定义：（1） 集合S 中任两个元素、的距离有i x j x ij d h d ij ≤ （2.1.1.1） 其中h 为给定的某个域值，称S 对于域值h 组成一类。
（2） 集合S 中任两个元素、的距离有 i x j x ij dh d k sx ij j ≤−∑∈)1(1（2.1.1.2）其中k 为集合S 中元素的个数，h 为给定的某个域值，称S 对于域值h 组成一类。
（3） 集合S 中任两个元素、的距离有 i x j x ij dh dk k sx ijsx j i ≤−∑∑∈∈)1(1r d ij ≤ （2.1.1.3）其中k 为集合S 中元素的个数，h 、r 为给定的某个域值，称S 对于域值h 、r组成一类。
2.1.2类间距离在有些聚类算法中要用到类间距离，下面给出几个常用类间距离定义式。
（1） 最近距离两个聚类i ω和j ω之间最近距离定义为（2.1.2.1）ji ij kli d D ,]min[=式中，表示ij d k i x ω∈和l j x ω∈之间的距离。
（2） 最远距离两个聚类i ω和j ω之间最远距离定义为（2.1.2.2）ji ij kli d D ,]max[=式中，表示ij d k i x ω∈和l j x ω∈之间的距离。
（3） 平均距离两个聚类p ω和q ω之间最近距离定义为 ∑∈∈=qj p i x x ij qp pq d n n D ωω221 （2.1.2.3）式中，表示ij D k i x ω∈和l j x ω∈之间的平均平方距离。
3. k-均值分类算法3.1 基本思想K-均值聚类是非监督分类方法中的一种。
K-均值算法的聚类准则是使每一个聚类中，多模式点到该类别的中心距离的平方和最小。
其基本思想是，通过迭代，逐次移动各类的中心，直至得到最好的聚类结果为止。
3.2 算法步骤（1） 假设分类类别数为m 个，任选m 个类的初始中心、……。
)0(1Z )0(2Z )0(m Z （2） 将待分类的模式矢量特征集{}中的模式逐个按最小距离原则分划给m 类中的某一类，即 i X 如果i=1,2…,N ],min[)()(k ij k ild d =则判∈。
i x )1(+k lω式中表示和的中心的距离，上角标表示迭代次数。
于是产生新的聚类（j=1,2,…m ）。
)(k ij d i x )(k j ω)(k j Z )1(+k jω（3） 计算重新分类后的各类心 ∑+∈++=)1()1()1(1k j i x i k jk j xnz ω，j=1,2, …,m式中为类中所含模式的个数。
)1(+k j n )1(+k jω（4）如果（j=1,2, …,m ）,则结束；否则，k=k+1,转至(2))()1(k j k jz z =+3.3 K-均值算法流程图3.4 K-均值算法表达1 begin intialize n,m 、…… )0(1Z )0(2Z )0(m Z 2 do 按照最近邻分类m 个样本 i Z 3 重计算 i Z 4 until 不在改变 i Z 5 return 、…… 1Z 2Z m Z 6end4. 实验结果本实验在微机上进行。
其微机性能为：Pentium4 CPU 1.6GHz 256MB 内存 。
在VC++环境下，用MFC开发了K-均值遥感图像分类程序，进行有关实验研究。
本次研究的数据主要是TM1,2,3,4,5,7六个波段的数据。
下面是对TM1,2,3,4,5,7六个波段遥感图象分类的结果。
（图4.1 分类类别数3，迭代次数6）（图4.2 分类类别数4，迭代次数6）（图4.3 分类类别数4，迭代次数8）（图4.4 分类类别数4，迭代次数10）（图4.5分类类别数5，迭代次数3） （图4.6分类类别数5，迭代次数6） 由图中我们可以很清楚可以看到，K 均值分类整体效果较好，然而分类数和迭代次数不同，分类效果有一定差异。
图4.1中，分类类别数为3，如图可知，成功将湖泊，河流与其他地物分离开来，因而效果比较好。
而图4.2中，分类结果得出湖泊，河流，房屋，土地，但房屋与土地分离得不是很完美，相比之下图4.3效果比较好，而图4.4迭代次数增多，并没有使分类效果提高反而房屋与土地的分离效果比较差。
同样，这一点在图4.5与图4.6的对比上也有所体现。
这是和算法本身的原因有关。
因为算法结果受到所选聚类中心的数目和其初始位置及模式分布的几何性质和读入次序等因素的影响，并在迭代过程中没有调整类数的措施，因此可能产生不同的初始分类得到不同的结果。
5. 结论K-均值是以确定的类数及选定的初始聚类中心为前提，使各模式到其所判属类别中心距离之和最小的最佳聚类。
方法简单，结果比较令人满意。
但是由于算法受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并在迭代过程中又没有调整类数的措施，因此可能产生不同的初始分类得到不同的结果。
为了提高分类结果，我们可以对初始聚类进行一些处理，通过一些简单的聚类中心试探方法来找出初始聚类中心而不是单单随机选取初始聚类中心。
参考文献[1]张莉, 孙钢, 郭军基于K-均值聚类的无监督的特征选择方法计算机应用研究2005年第3期[2]孙家柄等《遥感原理与应用》，武汉：武汉大学出版社，2003.2.。
[3]Richard O.Duda Peter E.Hart David G.Stork 《模式分类》，北京：机械工业出版社，2003.9[4]孙即祥《现代模式识别》长沙：国防科技大学出版社，2002.1Automatic recognition and classification of RS imagery based on k-means clustering methodHu Gao-xiang1，Han Zi21School of Remote Sensing Information Engineering,Wuhan university,4300792The Computer Science and Information Technology department,Zhejiang Wanliuniversity,315100AbstractComputer classification based on RS imagery is a general task of pattern recognition in the field of remote sensing. In this paper, in order to extract required features on earth , a method based on k-means ,a classical unsupervised classification method in pattern recognition , is proposed to classifer the multi-dimension RS imagery.Keywords: pattern recognition , k-means clustering , RS imagery作者简介：胡高翔，武汉大学遥感信息学院2005级研究生韩孜，浙江万里学院，计算机与信息学院教师。
