模式識别实习报告.docVIP

模 式 识 别 实 习 报 告 实习目的 1.习使用ERDAS软件对遥感影像进行监督分类和非监督分类。 2.编程实现K-均值算法 基本原理 （一）非监督分类 非监督分类思想：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，而仅凭数据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。其分类的结果只是对不同类别达到了区分，但并不能确定类别的属性。其类别的属性是通过分类结束后目视判读或实地调查确定的。非监督法是边学习边分类，通过学习找到相同的类别，然后将该类与其他类区分开 （二）监督分类 监督分类思想：根据已知的样本类别和类别的先验知识，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函数中求解待定参数的过程称之为学习或训练，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。 监督分类过程： 选择样区：根据已知的样本类别和先验知识； 学习或训练：利用一定数量的已知类别函数中求解待定参数； 确定每一类的判别函数和相应的判别准则； 计算未知类别的样本观测值的在每一类函数值； 5．判别：按一定准则对该样本作出判定。 （三）K均值算法 K均值算法思想：基于使聚类性能指标最小化，所用的聚类准则函数是聚类集中每一个样本点到该类中心的距离平方之和，并使其最小化。 K均值算法步骤： 1任选K个初始聚类中心 。一般以开头K个样本作为初始中心。 2将模式样本集的每一样本按最小距离原则分配给K个聚类中心，即在第m次迭代时，若: 则 ， 表示第m次迭代时，以第j个聚类中心为代表的聚类域。 3由步骤（2），计算新的聚类中心，即: 式中Ni为第i个聚类域 中的样本个数。其均值向量作为新的聚类中心，因为这样可以使误 差平方和准则函数: 达到最小值。 4若 ，算法收敛，计算完毕。否则返回到步骤（2），进行下一次迭代。 K均值算法流程图： 实习步骤 1在ERDAS中进行监督分类 1 )Viewer，并载入待分类的img图像 2 )击Classifier并选择Signature Editor并点出Raster工具栏。 3 )用多边形工具选择样区并点击Create New Signature(s) from AOI来建立新类，为类别取上地物名称，并选择希望在分类后图像上显示的颜色。依此方法一次选择出长江，新城区，老城区，植被，农田，清洁水，污染水，汉江，桥这几类。 4 )择Classify下的Supervised Classification，选择9 Best Classes Per Pixel，取消Output Distance File，其他宝石默认，点击OK便生成了分类后的图像。 2在ERDAS中进行非监督分类 1 )开Viewer，并载入待分类的img图像 2 )击Classifier，选择Unsupervised Classification 3 )Input Raster File中载入原影像，在Output Cluster Layer Filename中选择输出图像位置。Number of Class选择6，其余保持默认，点OK便生成了分类后的图像。 3 编成实现K均值算法 核心代码： #include iostream.h #define K 3 #define N 10 void main() { int i=0,j=0; float samples[N][3]={{0,0,0},{3,8,0},{2,2,0},{1,1,0},{5,3,0},{4,8,0},{6,3,0},{5,4,0},{6,4,0},{7,5,0}}; float Z[K][2]; //聚类中心初始化 for(i=0;iK;i++) { for(j=0;j2;j++) { Z[i][j]=samples[i][j]; } } bool go_on=true; while(go_on) { //根据当前聚类中心分类 for(i=0;iN;i++) { float distance[K]; //计算到各个聚类中心的距离 for(j=0;jK;j++) { distance[j]=(samples[i][0]-Z[j][0])*(samples[i][0]-Z[j][0]) +(sampl