《基于KNN算法的遥感图像分类.docx》由会员分享，可在线阅读，更多相关《基于KNN算法的遥感图像分类.docx（7页珍藏版）》请在金锄头文库上搜索。
1、模式识别实验报告学生姓名： 王晨曦 班 学 号： 075113-08 指导老师： 马丽 中国地质大学(武汉)机械与电子信息学院2014年 6月基于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. 采用zy3sample数据（400*400*4），该数据分为4个类别：土地；农作物/植被；大棚；道路。有余力的同学最好再使用INP高光谱数据(数据全称：Indiana Indian Pines，大小145*145*200)进行分类。2. 随机在所有带标记的数据中（也就是你自己做的ROI）选择train和test数据（比例自己定，
2、可以50%train数据，50%test数据，也可以30%train数据70%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）【提供随机选择数据的代码】，然后进行kNN分类。随机选择10次，然后求平均结果（以及标准差）作为最终对算法的评价。3. 利用所有或者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。【提供ColorTable和画出分类图像的代码】4. 关于K值的选择，可以选择为1,3,5,7,9,11等。有余力的同学，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
3、OA变化曲线，或者给出表格，写出每种K值下的OA）。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（提供代码；zy3数据应该欧式距离更好，INP数据应该SAM更好，因为INP是高光谱数据，zy3只有4个波段是多光谱数据。SAM对高光谱数据的效果更好），有余力的同学，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。数据介绍：1.调用multibandread函数从二进制文件中读取多波段数据。2.用reshape函数，重置图像的行数列数。4.用find函数查找各个类别对应的样本。5.用plot函数画出所有类别的平均光谱。5.用imagesc函数画出所有类别的协方差矩阵
4、。实验结果与分析：心得体会： 经过本次试验，我不仅学会利用Matlab软件对遥感图像进行简单的处理，他速度快,方法科学,可为遥感影像的判读提供良好的条件,从而提高判读精度，还学会了使用软件ENVI，对遥感图像进行数据处理、图像分类等等，产生了浓厚的兴趣。相信通过学习，我会更好的将ENVI运用到今后的学习实践中。基于PCA/LDA降维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INP数据（145*145*200），该数据有16个类别，任选PCA或LDA算法进行数据降维，然后对降维数据采用kNN分类（k=1）
5、。2. 如果选择PCA降维算法，（1）得到整个图像的降维结果，报告中画出前面5个主成分/波段的图像。（2）降维波段数量d作为一个参数（选择为：3,5,10,15,20,30,40,50）。对每一个d下的降维结果（8个不同的d取值，对应8个不同的降维数据），进行kNN(k=1)分类。具体实现：随机10次选择train数据和test数据（例如30%train，70%test），对每次选择出来的数据，进行pca降维，求出不同d下的OA（8个不同的d，那么就有8个OA）。10次运行的话，就可以对每个d的10个OA求一个平均结果。然后画图（plot，x轴表示降维所保留的波段数量d，y轴表示每种d下的10
6、次平均OA）。（3）和第三次上机的结果进行比较（数据不降维，直接采用kNN算法分类），看PCA降维的作用（对于kNN算法，PCA降维是因为信息损失而使得分类效果下降，还是PCA降维提高了分类效果）。3. 如果选择LDA降维算法，（1）得到整个图像的降维结果（INP数据有16个类别，那么LDA的降维结果有15个波段），报告中画出前面5个波段的图像。（2）对于降维数据，进行kNN(k=1)分类，随机10次选择train数据和test数据（例如30%train，70%test），求出10次分类的平均结果OA。（3）【选作optional】采用LDA降维数据对全图进行1NN分类（1NN分类器作用在LD
7、A降维数据上），画出全图分类结果。（4）和第三次上机的结果进行比较（数据不降维，直接采用kNN算法分类），看LDA降维的作用（对于kNN算法，LDA降维是因为信息损失而使得分类效果下降，还是LDA降维提高了分类效果）。 算法原理：（1）原理：首先从n个数据对象任意选择k个对象作为初始聚类中心；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；不断重复这一过程直到标准测度函数开始收敛为止。一般都采用均方差作为标准测度函数.k个聚类具有以下特点：各聚类本身尽可能的紧凑，
8、而各聚类之间尽可能的分开。该算法的最大优势在于简洁和快速。算法的关键在于初始中心的选择和距离公式。（2）步骤：初始化距离K个聚类的质心（随机产生）；计算所有数据样本与每个质心的欧氏距离，将数据样本加入与其欧氏距离最短的那个质心的簇中（记录其数据样本的编号）；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。数据介绍：1.调用multibandread函数从二进制文件中读取多波段数据。2.用reshape函数，重置图像的行数列数。4.用find函数查找各个类别对应的样本。5.用Euclidian_distanc函数选择初始聚类中心根据最小距离原则分类。5.用colortable函数画出整个图像的聚类结果。实验结果与分析： 心得体会： 通过本次试验，我学会了通过K-means算法对遥感图像进行分类，但是过程中遇到了不少问题，比如程序运行的速度过慢等等。由于道路占有的像素很少，所以分类过后道路和大棚没有很好地区分开，这个问题还没有很好的解决，造成了遗憾，相信在大家的讨论和更进一步的学习之后，我们能够完善这一程序，得到更好的结果。
