中国地质大学(武汉)模式识别第一次试验ENVI..docVIP

模式识别试验报告 学号： 20121001873 班学号 姓名： 吴泽光 指导老师：马丽 机械与电子信息学院2015年4月 目标： 学习使用ENVI 采用资源卫星三号数据zy3，包含4个类别，土壤；农作物；大棚；道路 实验内容： 1. 使用ENVI打开遥感图像（任选3个波段合成假彩色图像，保存写入报告） 2. 会查看图像的头文件（保存或者copy至报告） 3. 会看地物的光谱曲线（保存或者copy至报告） 4. 设置ROI，对每类地物自己添加标签数据，并保存为ROI文件和图像文件 （CMap贴到报告中）。 5. 使用自己设置的ROI进行图像分类（ENVI中的2~3种有监督分类算法，例如最小距离分类器；最大似然分类器；支持向量机分类器）（分类算法名称和分类结果写入报告） 2 查看文件的头文件 通过主界面file下的 Edit ENVI Header查看头文件 3 查看地物光谱曲线 在图形界面右键选择Z Profile(spectrum) 在光谱曲线界面右键，选择Collect Spectra可看多点光谱曲线 4 设置ROI，并保存位ROI文件和图像文件CMap 在图形界面右键，选择ROI tool。 对于重新打开一个ROI文件，在上述基础上，在ROI tool界面File下拉菜单中选择Restore ROIs...，选择你要重新打开的文件。 对图像分好类了之后，在主菜单界面，选择Classfication下拉菜单中的Supervised，通过不同的算法，达到不同的分类效果。 对于保存CMap文件，在ROI Tool界面，Options下拉菜单中选择Create Class Image from ROIs... 5 对自己设置的ROI文件进行分类 马氏距离算法 最大似然算法 最小距离算法 可见，上图最大似然的分类效果最好。 最小距离算法 马氏距离算法 最大似然算法 对于上图，马氏距离算法分类效果最好。 题目：基于k-means算法的遥感图像分类 实验目标： 1. 掌握K-means算法原理 2. 用MATLAB实现k-means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k-means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k-mean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，k-means算法原理： K-means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