Python遥感影像深度学习指南(4)-利用层次聚类方法实现高分辨率影像分类（水体识别）

        聚类分析是一种非监督技方法，用于识别多维数据空间中的相似样本。在遥感数据中，它主要用于像素分类。在水体分类过程中，由于水的反射率会因地区、大气条件和成分的不同而有很大差异，因此采用单一阈值或一套固定规则来区分水和陆地是不可行的，因此，需要一种算法来自动识别场景中的水体。

        我们选将研究一种非监督聚类算法来识别与水体。在接下来的章节中，我将简要介绍 K-Means 和聚类算法。

1、K-Means

        遥感常用的聚类算法是 K-Means 算法，这种算法速度快，易于实现，也可以在软件包中找到，但是效果并不好。K-Means 算法的原理是，在给定所需的簇数来分割数据集的情况下，每个样本都属于最接近的簇中心点。然后，该算法通过反复将样本分配到簇，然后重新计算中心点，来寻找簇内方差（样本到簇中心点距离的方差）最小的中心点。K-Means 算法在收敛性方面存在一些问题，这取决于初始化中心点，但也有一些替代方法，如 Scikit-Learn 和其他软件包中实现的 k-means++，可以解决这个问题。        

        不过，K-Means 有一个固有的缺点。最终的解决方案是一个沃罗诺伊图，所有簇的大小相同，这很容易解释，因为最初的假设是所有样本都属于最近的簇中心点。因此，对于具有不同聚类大小的数据集，这可能会导致次优解。

        考虑到我们的主要目标是将水像素与其他像素