基于KNN算法的遙感圖像分類.docx

模式識別實驗報告學(xué)生姓名： 王晨曦 班 學(xué) 號： 075113-08 指導(dǎo)老師： 馬麗 中國地質(zhì)大學(xué)(武漢)機(jī)械與電子信息學(xué)院2014年 6月基于kNN算法的遙感圖像分類實驗?zāi)繕?biāo)：1. 掌握KNN算法原理2. 用MATLAB實現(xiàn)kNN算法，并進(jìn)行結(jié)果分析實驗內(nèi)容：1. 采用zy3sample數(shù)據(jù)（400*400*4），該數(shù)據(jù)分為4個類別：土地；農(nóng)作物/植被；大棚；道路。有余力的同學(xué)最好再使用INP高光譜數(shù)據(jù)(數(shù)據(jù)全稱：Indiana Indian Pines，大小145*145*200)進(jìn)行分類。2. 隨機(jī)在所有帶標(biāo)記的數(shù)據(jù)中（也就是你自己做的ROI）選擇train和test數(shù)據(jù)（比例自己定，可以50%train數(shù)據(jù)，50%test數(shù)據(jù)，也可以30%train數(shù)據(jù)70%test數(shù)據(jù),或者其他比例；可以嘗試不同train數(shù)據(jù)數(shù)目下，分類效果的差別）【提供隨機(jī)選擇數(shù)據(jù)的代碼】，然后進(jìn)行kNN分類。隨機(jī)選擇10次，然后求平均結(jié)果（以及標(biāo)準(zhǔn)差）作為最終對算法的評價。3. 利用所有或者部分帶標(biāo)記的數(shù)據(jù)作為train數(shù)據(jù)，對整個圖像進(jìn)行分類，得到整個圖像的分類結(jié)果圖?！咎峁〤olorTable和畫出分類圖像的代碼】4. 關(guān)于K值的選擇，可以選擇為1,3,5,7,9,11等。有余力的同學(xué)，分別用這6種K的取值進(jìn)行kNN算法，得到每種K值下的總體分類精度OA，然后進(jìn)行比較（plot畫出不同K值下的OA變化曲線，或者給出表格，寫出每種K值下的OA）。5. 關(guān)于距離度量的選擇，可以采用歐氏距離或者光譜角距離（提供代碼；zy3數(shù)據(jù)應(yīng)該歐式距離更好，INP數(shù)據(jù)應(yīng)該SAM更好，因為INP是高光譜數(shù)據(jù)，zy3只有4個波段是多光譜數(shù)據(jù)。SAM對高光譜數(shù)據(jù)的效果更好），有余力的同學(xué)，這兩種距離都采用，然后做比較，或者嘗試其他可能更有效的距離度量方式。數(shù)據(jù)介紹：1.調(diào)用multibandread函數(shù)從二進(jìn)制文件中讀取多波段數(shù)據(jù)。2.用reshape函數(shù)，重置圖像的行數(shù)列數(shù)。4.用find函數(shù)查找各個類別對應(yīng)的樣本。5.用plot函數(shù)畫出所有類別的平均光譜。5.用imagesc函數(shù)畫出所有類別的協(xié)方差矩陣。實驗結(jié)果與分析：心得體會： 經(jīng)過本次試驗，我不僅學(xué)會利用Matlab軟件對遙感圖像進(jìn)行簡單的處理，他速度快,方法科學(xué),可為遙感影像的判讀提供良好的條件,從而提高判讀精度，還學(xué)會了使用軟件ENVI，對遙感圖像進(jìn)行數(shù)據(jù)處理、圖像分類等等，產(chǎn)生了濃厚的興趣。相信通過學(xué)習(xí)，我會更好的將ENVI運用到今后的學(xué)習(xí)實踐中?；赑CA/LDA降維的遙感圖像分類實驗?zāi)繕?biāo)：1. 掌握K-means算法原理2. 用MATLAB實現(xiàn)K-means算法，并進(jìn)行結(jié)果分析實驗內(nèi)容：1. 采用INP數(shù)據(jù)（145*145*200），該數(shù)據(jù)有16個類別，任選PCA或LDA算法進(jìn)行數(shù)據(jù)降維，然后對降維數(shù)據(jù)采用kNN分類（k=1）。2. 如果選擇PCA降維算法，（1）得到整個圖像的降維結(jié)果，報告中畫出前面5個主成分/波段的圖像。（2）降維波段數(shù)量d作為一個參數(shù)（選擇為：3,5,10,15,20,30,40,50）。對每一個d下的降維結(jié)果（8個不同的d取值，對應(yīng)8個不同的降維數(shù)據(jù)），進(jìn)行kNN(k=1)分類。具體實現(xiàn)：隨機(jī)10次選擇train數(shù)據(jù)和test數(shù)據(jù)（例如30%train，70%test），對每次選擇出來的數(shù)據(jù)，進(jìn)行pca降維，求出不同d下的OA（8個不同的d，那么就有8個OA）。10次運行的話，就可以對每個d的10個OA求一個平均結(jié)果。然后畫圖（plot，x軸表示降維所保留的波段數(shù)量d，y軸表示每種d下的10次平均OA）。（3）和第三次上機(jī)的結(jié)果進(jìn)行比較（數(shù)據(jù)不降維，直接采用kNN算法分類），看PCA降維的作用（對于kNN算法，PCA降維是因為信息損失而使得分類效果下降，還是PCA降維提高了分類效果）。3. 如果選擇LDA降維算法，（1）得到整個圖像的降維結(jié)果（INP數(shù)據(jù)有16個類別，那么LDA的降維結(jié)果有15個波段），報告中畫出前面5個波段的圖像。（2）對于降維數(shù)據(jù)，進(jìn)行kNN(k=1)分類，隨機(jī)10次選擇train數(shù)據(jù)和test數(shù)據(jù)（例如30%train，70%test），求出10次分類的平均結(jié)果OA。（3）【選作optional】采用LDA降維數(shù)據(jù)對全圖進(jìn)行1NN分類（1NN分類器作用在LDA降維數(shù)據(jù)上），畫出全圖分類結(jié)果。（4）和第三次上機(jī)的結(jié)果進(jìn)行比較（數(shù)據(jù)不降維，直接采用kNN算法分類），看LDA降維的作用（對于kNN算法，LDA降維是因為信息損失而使得分類效果下降，還是LDA降維提高了分類效果）。 算法原理：（1）原理：首先從n個數(shù)據(jù)對象任意選擇k個對象作為初始聚類中心；而對于所剩下其它對象，則根據(jù)它們與這些聚類中心的相似度（距離），分別將它們分配給與其最相似的（聚類中心所代表的）聚類；然后再計算每個所獲新聚類的聚類中心（該聚類中所有對象的均值）；不斷重復(fù)這一過程直到標(biāo)準(zhǔn)測度函數(shù)開始收斂為止。一般都采用均方差作為標(biāo)準(zhǔn)測度函數(shù).k個聚類具有以下特點：各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開。該算法的最大優(yōu)勢在于簡潔和快速。算法的關(guān)鍵在于初始中心的選擇和距離公式。（2）步驟：初始化距離K個聚類的質(zhì)心（隨機(jī)產(chǎn)生）；計算所有數(shù)據(jù)樣本與每個質(zhì)心的歐氏距離，將數(shù)據(jù)樣本加入與其歐氏距離最短的那個質(zhì)心的簇中（記錄其數(shù)據(jù)樣本的編號）；設(shè)置最多迭代次數(shù)，也就是不管迭代有沒有收斂，只要達(dá)到這個迭代次數(shù)就停止。數(shù)據(jù)介紹：1.調(diào)用multibandread函數(shù)從二進(jìn)制文件中讀取多波段數(shù)據(jù)。2.用reshape函數(shù)，重置圖像的行數(shù)列數(shù)。4.用find函數(shù)查找各個類別對應(yīng)的樣本。5.用Euclidian_distanc函數(shù)選擇初始聚類中心根據(jù)最小距離原則分類。5.用colortable函數(shù)畫出整個圖像的聚類結(jié)果。實驗結(jié)果與分析： 心得體會： 通過本次試驗，我學(xué)會了通過K-means