遙感圖像分類ppt課件(編輯修改稿)
2025-06-03 02:31 本頁面
【文章內(nèi)容簡介】 法）將各點(diǎn)歸于各聚類中心所代表的類別，形成 初始分類 ? 然后由聚類準(zhǔn)則判斷初始分類是否合理，如果不合理就修改分類，如此 反復(fù)迭代運(yùn)算 ，直到合理為止 聚類過程 A. 按照某個(gè)原則選擇一些初始聚類中心 B. 計(jì)算像元與初始類別中心的距離，把像素分配到最近的類別中 聚類過程 C. 計(jì)算并改正重新組合的類別中心 D. 過程重復(fù)直到滿足迭代結(jié)束的條件 聚類過程 ?僅憑遙感影像地物的光譜特征的分布規(guī)律，即自然聚類的特性，進(jìn)行“盲目”的分類 ?其分類的結(jié)果只是對不同類別達(dá)到了區(qū)分，但并不能確定類別的屬性；其類別的屬性是通過分類結(jié)束后目視判讀或?qū)嵉卣{(diào)查確定的 非監(jiān)督分類 ? K均值法（ Kmeans Algorithm） ?迭代自組織數(shù)據(jù)分析技術(shù)方法（ Iterative SelfOrganization Data Analysis Techniques， ISODATA） 主要的非監(jiān)督分類方法 K均值法 ? 通過自然的聚類，把它分成 8類 ? K均值算法的聚類準(zhǔn)則是使每一聚類中，像元到該類別中心的距離的平方和最小 ? 基本思想：通過迭代，逐次移動各類的中心，直至得到最好的聚類結(jié)果為止 K均值法 ? （ 1）確定類別數(shù)并各類的初始中心： z1(0), z2(0),…, zK(0) ， K為類別數(shù)。初始中心可任意選取 ? 初始中心的選擇對聚類結(jié)果有一定影響，初始中心的選擇一般有以下方法： ?①根據(jù)問題的性質(zhì)，用經(jīng)驗(yàn)的方法確定類別數(shù) K，從數(shù)據(jù)中找出從直觀上看來比較適合的 K個(gè)類的初始中心 ?②將全部數(shù)據(jù)隨機(jī)地分為 K個(gè)類別，對計(jì)算每類的重心，將這些重心作為 K個(gè)類的初始中心 K均值法 ? （ 2）擇近分類，即將所有像元按照與各中心的距離最小的原則分到 K個(gè)聚類中心 ? （ 3）計(jì)算新中心。待所有樣本第 i 次劃分完畢后，重新計(jì)算新的集群中心 zj(i +1), j=1, 2, …, K ? （ 4）如果聚類中心不變，則算法收斂，聚類結(jié)束；否則回到（ 2），進(jìn)入下一次迭代 K均值法 ? 優(yōu)點(diǎn)：實(shí)現(xiàn)簡單 ? 缺點(diǎn)： ? 過分依賴初值，容易收斂于局部極值 ? 在迭代過程中沒有調(diào)整類數(shù)的措施，產(chǎn)生的結(jié)果受到所選聚類中心的數(shù)目、初始位置、類分布的幾何性質(zhì)和讀入次序等因素影響較大 ? 初始分類選擇不同，最后的分類結(jié)果可能不同 K均值法 ? Iterative SelfOrganization Data Analysis Techniques“迭代自組織數(shù)據(jù)分析技術(shù)方法”的簡稱 ? 可以 自動地進(jìn)行類別的 “ 合并 ” 和“ 分裂 ” ， 從而得到比較合理的聚類結(jié)果 ISODATA （ 1）初始化，設(shè)置參數(shù)； （ 2）選擇初始聚類中心； （ 3）按一定規(guī)則 (如距離最小 )對所有像元分配類別； （ 4）計(jì)算并改正重新組合的類別中心； （ 5）類別的分裂和合并； （ 6）如果達(dá)到迭代次數(shù)或者兩次迭代之間類別均值變化小于閾值，則結(jié)束迭代；否則，重復(fù)（ 3）（ 6）； （ 7）確認(rèn)類別，對結(jié)果進(jìn)行精度評估 ISODATA 基本同 K均值法，但 K均值法的類別數(shù)是從始至終固定的，而 ISODATA方法則是動態(tài)調(diào)整類別數(shù)的 ? K ：希望得到的類別數(shù) ? θN ：所希望的一個(gè)類中樣本的最小數(shù)目 ? θS ：類的分散程度的參數(shù)（如標(biāo)準(zhǔn)差、方差） ? θC ：類間距離的參數(shù)（如最小距離） ? L ：每次允許合并的類的對數(shù) ? I ：允許迭代的次數(shù) ISODATA參數(shù) 的設(shè)定 決定類的“分裂”與“合并”
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1