实验题目:基于 K-means 算法的遥感图像分类的 matlab 实现
一 实验目的:
利用 matlab 软件,通过 K-means 算法的方法处理给定的 7 幅遥感图像,将
其分成水域、居民区和其他三类区域。
二 实验方法:
1 遥感图像的分类
[1]
遥感图像是通过反映地物光谱信息的像元亮度值及反映地物空间信息的像
元空间变化来表征不同地物的。对遥感图像中各类地物的光谱信息和空间信息进
行分析,选择特征(能够反映地物光谱信息和空间信息并可用于遥感图像分类处
理的变量),并用一定的方式将特征空间划分为互不重叠的子空间,然后将图像中
各个像元划归到各个子空间去。这就是图像分类。其理论依据是:遥感图像中的
同类地物在相同的条件下,应具有相同或相似的光谱和空间信息特征,从而表现
出同类地物的某种内在的相似性,将集群在同一特征空间区域;而不同类的地物
其光谱和空间信息特征不同,将集群在不同的特征空间区域。
在遥感图像的分类中,按照是否有已知训练样本的分类数据,分类方法可分
为:监督和非监督两大类。我们所进行的卫星核查方面的研究,缺少一定的训练样
本,所以一般只能采用非监督分类的方法。非监督分类方法快速简单具有一定的
精度,可作为监督分类的重要补充手段。常用的处理方法有:平行六面体分类、简
单均方差阈值分类、动态聚类分类,每种分类方法各有优缺点。对于遥感图像使
用动态聚类方法比较理想。
2 动态聚类
动态聚类分析可通过分析像元的类似度(距离)一次完成像元的归并分类,也可以
多次完成。我们的作法是先按某些原则选择一些代表点作为聚类的核心,然后把
其余的待分点按某种方法(判据准则)分到各类中去,完成初始分类。初始分类完
成以后,重新计算各聚类中心
m
i
,把各点按初始判据重新分到各类,完成了第一
次迭代。然后再修改聚类中心,再进行下一次迭代,用来对上次分类结果进行修改。
如此反复进行,直到最后满意为止。动态聚类算法是一种普遍采用的方法,具有以
下三个要点: