光谱分类算法 matlab,Matlab K-means聚类算法对多光谱遥感图像进行分类（一）

Matlab K-means聚类算法对多光谱遥感图像进行分类

作者： 白艺亭

测试了下matlab自带kmeans函数，作者编写函数，以及ENVI下的Kmeans方法，对比其效果，代码及结果图展示见下。(K均值聚类的matlab代码，对其算法进行实现。)

1. K-Means无监督聚类算法：

ENVI中，在主菜单上，选择Classification>>Unsupervised>>K-Means,在Classification Input File中选择TM影像，单击OK。打开K-means Parameters对话框中，设置以下的参数：

1)分类数量(Number of Classes)：一般为最终输出分类数量的2-3倍。

2)变换阈值(Change Threshold):5。每当一类的变化像元数小于阈值时，结束迭代过程。这个值越小得到的结果越精确，运算量也越大。

3)最大迭代次数(Maximum Iterations)：30(我选的).迭代次数越大，精度越高。

4)距离类别的值的最大误差(Maximum Stdev From Mean)。此数可选。

5)允许的最大距离误差：(Maximum Distance Error);可选

6)选择路径，OK执行。

以上参考东腾的博客。

2. 自编matlab函数实现

2.1被调function

function [new_class_label] = Kmeans_of_muldim(data,k,change_threshold,iteration)

% 功能：实现多光谱遥感数据非监督分类算法之K-means聚类算法

%Author: Mr. BAI

% 输入：data是s*fl*b的矩阵，s为列数(sample)，fl为行数(fileline)，b为波段数(band)；

% k 为类别数,如果有背景值，背景值会归到某一地类中去，到时再用矢量边界图形裁剪一下即可。我考虑过将出现次数最多

% 的背景值单独划归一类，但是程序设计时不好判断，取数组中元素出现次数最多的像元为一类，有点大胆，因为无背

% 景的图像像元值也可能出现这种情况；

% change_threshold变化阈值，ENVI中默认为0.05；

% iteration为最大迭代次数，ENVI中默认为1

% 输出：new_class_label为聚类后的矩阵，赋予每个行列号一个类别标签，之后可在GIS或者ENVI中出图

% Reference：https://www.cnblogs.com/dongteng/p/5415071.html

[fl,s,b] = size(data);

%original_seed为迭代前的种子，存放一个k行，b个波段数值列的数组

old_seed = zeros(k,b);

%newseed为迭代后的新种子，存放一个k行，b个波段数值列的数组

new_seed = zeros(k,b);

%-------------------------------------------------------------------------------------------------

% 产生k个随机种子作为遥感图像各地物类别的种子像元

%-------------------------------------------------------------------------------------------------

index_record = zeros(1,k);

for i = 1:k

index_i = round(rand()*fl*s);

judge = find(index_record == index_i);

%如果已经有这个值了，那么重新循环取值

if isempty(judge) == 0

i = i-1;

continue;

end

index_record(i) = index_i;

%计算取到的随机值对应图像的行列号

fl_index = floor(index_i/s);%行号

sample_index = index_i - fl_index*s;%列号

%将该种子像元的b个波段值存入

old_seed(i,:) = data(fl_index,sample_index,:);

end

%--------------------------------------------------------------------------------------

% 下面进行迭代，如果本次分别所有类新得到的像元数目变化在change_threshold内，则认为分类完毕。

%--------------------------------------------------------------------------------------

n = 1;

new_class_label = zeros(fl,s);

while n

distance_matrix = zeros(fl,s,k);

for kind = 1:k

sum = 0;

for i=1:b

temp = power(abs(data(:,:,i)-old_seed(kind,i)),2);

sum = sum+temp;

end

%每个像元与初始7个类别中心的欧式距离

ou_distance = sqrt(sum);

distance_matrix(:,:,kind) = ou_distance;

end

%给给各类别赋值类别标注

for i=1:fl

for j=1:s

currentpixel_vector = distance_matrix(i,j,:);

currentpixel_class = find(currentpixel_vector == min(currentpixel_vector));

new_class_label(i,j) = currentpixel_class(1);

end

end

%计算新的各类别中心

for i=1:k

id = find(new_class_label==i);

for j=1:b

temp1 = data(:,:,j);

temp2 = temp1(id);

new_seed(i,j)= mean(temp2(:));

end

end

new_class_pixcel_number = zeros(1,k);

for i=1:k

new_class_pixcel_number(i) = length(find(new_class_label(:)==i));

end

%Change threshold:0.05

if n == 1

old_class_pixcel_number = ones(1,k);

end

%size(new_class_pixcel_number)

if max(abs((new_class_pixcel_number-old_class_pixcel_number)./old_class_pixcel_number)) < change_threshold || n>iteration

break;

end

n=n+1;

if max(abs((new_class_pixcel_number-old_class_pixcel_number)./old_class_pixcel_number)) >change_threshold

%old_class_label = new_class_label;

old_class_pixcel_number = new_class_pixcel_number;

old_seed = new_seed;

continue;

end

end

end

2.2 main函数调用上述function

clc;

clear;

t0 = cputime;

cd 'E:\MATLAB\'

data=imread('nantong_city_landsat8.tif');%读取纯数据

[multi_data,r]=geotiffread('nantong_city_landsat8.tif'); % read the geo information

info=geotiffinfo('nantong_city_landsat8.tif'); % read the geo information

class_result = Kmeans_of_muldim(data,5,0.05,30);

geotiffwrite('K-means_class.tif',class_result,r,'GeoKeyDirectoryTag',info.GeoTIFFTags.GeoKeyDirectoryTag);

t1 = cputime;

during = t1 - t0;

disp('耗时：');

disp(during);

耗时：

139.59375

时间长是因为程序中Kmeans_of_muldim()函数中使用了逐像元循环，用了139秒，后面附上改进的算法， MKmeans_of_muldim()，Matlab K-means聚类算法改进对多光谱遥感图像进行分类(二)。

3 matlab库中的kmeans()

clc;

clear;

%matlab自带的kmeans使用方法:

t0 = cputime;

cd 'E:\MATLAB\'

data=imread('nantong_city_landsat8.tif');%读取纯数据

[multi_data,r]=geotiffread('nantong_city_landsat8.tif'); % read the geo information

info=geotiffinfo('nantong_city_landsat8.tif'); % read the geo information

[fl,s,b] = size(data);

dat = zeros(fl*s,b);%matlab K-means算法要求输入矩阵是一个列向量组成的矩阵，列数为波段数，每一列为fl*s的像元值

for i=1:b

dat(:,i) = reshape(data(:,:,i),fl*s,1);

end

class_result = kmeans(dat,5);只能传两参

out_data = reshape(class_result,fl,s);

geotiffwrite('K-means_class_matlab.tif',out_data,r,'GeoKeyDirectoryTag',info.GeoTIFFTags.GeoKeyDirectoryTag);

t1 = cputime;

during = t1 - t0;

disp('耗时：');

disp(during);

耗时：

38.796875

4 结果展示

4.1ENVI操作结果展示：

0.05,30.

4.2 Kmeans_of_muldim,作者的matlab代码结果展示：

0.05,30

4.3K-means matlab自带函数结果展示：

效果相当，下面对Kmeans_of_muldim进行改进。

见下一篇：

Matlab K-means聚类算法改进对多光谱遥感图像进行分类(二)

后来，我们都学会了勇敢，不遗憾，不留恋。417看完了刘若英的线上演唱会，1500w人同时在线的，很壮观。