中国地质大学(武汉)模式识别第三次实验：knn.pdfVIP

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。 4. 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。 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，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： 1、首先分好训练数据和测试数据。 2、将每一个测试数据与训练数据求距离。 3、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。 4 、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 , D irect ,[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 da