K均值分类算法已经比较常见了,但还是值得学习一下,毕竟这个算法的框架很好,在此基础上可以更新一下。网上有很多的讲解和程序,我也看了一下毕竟自己做了,还是想和大家分享一下代码,在这里还是献丑了
matlab有自带的库函数,但我也编写了两个,他们跳出条件不同,开始是对于matlab不等于的判定条件不太确定,又写了一个比较简单的误差平方和的判断条件,个人认为这种迭代的算法对跳出条件还是很敏感的。需要注意的是这种算法比较依赖分类的起始点和分类数量。我在程序中都留出来了,大家可以试一试。
图像来源于SPOT5,四个谱段,我只分成了4类。所有的参数大家可以调一调试一试。
主函数
clc
clear
close all
I = imread('SPOT5多光谱.tif');
[M,N,L] = size(I);
%构造样本空间
A = reshape(I(:, :, 1), M*N, 1); % 将RGB分量各转为kmeans使用的数据格式n行,一样一样本
B = reshape(I(:, :, 2), M*N, 1);
C = reshape(I(:, :, 3), M*N, 1);
D = reshape(I(:, :, 4), M*N, 1);
K = 4;
dat = [A B C D]; % 四个分量组成样本的特征,每个样本有4个属性值,共width*height个样本
c2 = KMeans2(double(dat), K); % 使用聚类算法分为K类
r2 = reshape(c2, M, N); % 反向转化为图片形式
figure, imshow(label2rgb(r2)) % 显示分割结果
title('自己编写的算法,误差用不等于条件')