中国地质大学(武汉)模式识别第三次实验knn..docVIP

模式识别第三次实验 学号： 20121001873 班学号 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 题目：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. 先采用zy3sample数据，该数据分为4个类别：土地；农作物/植被；大棚；道路。再使用INP高光谱数据进行分类。 2. 随机在所有带标记的数据中选择train和test数据（比例自己定，可以50%train数据，50%test数据，也可以20%train数据80%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），然后进行kNN分类。Train和test数据随机选择10次，然后求平均结果作为最终对算法的评价。 3. 利用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。 关于K值的选择，选择为1,3,5,7,9,11。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。 关于距离度量的选择，可以采用欧氏距离或者光谱角距离，也可以这两种距离都采用，然后做比较，或者尝试其他可能更有效的距离度量方式。 KNN算法原理： 对一个待识别的测试样本点y，分别计算它与训练样本的距离，然后取距离最近的k个训练样本点，这个k个训练样本中哪一类出现的次数最多，就判y属于哪一类。 算法步骤： 首先分好训练数据和测试数据。 将每一个测试数据与训练数据求距离。 选取k值，每一个测试数据到训练数据的距离中取最小的k个值。 将k中最多的那一类作为测试数据的最终分类结果。 算法代码以及分类结果： 50%train数据，50%test数据，也可以20%train数据80%test数据,或者其他比例，然后进行kNN分类。Train和test数据随机选择10次。对于K值的选择，可以选择为1,3,5,7,9,11等。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。 clear %% read the data zy3sample1 Img = multibandread(zy3sample1,[400,400,4],float,0,bsq,n,{Band,Direct,[1:4]});%将高广谱数据读入 GT = multibandread(cap,[400,400,1],uint8,0,bsq,n,{Band,Direct,[1:1]});%将高广谱数据读入 test_class=1:4; C=length(test_class); NbRow=400; NbCol=400; NbDim=4; dataname=zy3; nrep=10; % 10 experiments. Sampling=50; % selecting sampling percent data as training data. k=1:2:11; OA_ave1=[]; for u=1:6 for expt=1:nrep fprintf(1,precessing on the experiment %d \n,expt);%将expt的值依次显示出来 %% randomly select training data and testing data Train_row=[];Train_col=[];% Train_row and Train_col is the coordinates（坐标） of training data Test_row=[];Test_col=[];% Test_row and Test_col is the coordinates of testing data Y_train=[];Y_test=[];% Y_train is the label of training data(N_train*1); Y_test is the label of testing data(N_test*1); X_train=[];X_test=[];% X_train is the training data(N_train*D); X_test is the testing data(N_test*D);