机器学习笔记（Matlab 版本）

1. python 与MATLAB数据互相之间可以转换：   .mat 数据可以转化为Python 格式的数据。

         save input1.mat input1;

         save input2.mat input2;

2. 1  采用随机森林算法处理minist 数据的正确率大概为96%左右，随机森林是普通机器学习算法中最优秀的算法之一了。
2.2 

3.    indices = crossvalind('Kfold', 10, 3);                %将数据样本随机分割为3部分。
      indices  生成10行1列的数据，结果在1,2,3之间出现。
      test = (indices == 1);       %%数组与标量之间的关系运算，结果为逻辑型数据。

%%    其中每一行代表一个样本

Data=[1 2;2 3;3 4;4 5;5 6;6 7];

target=[1;2;3;4;5;6];

Data_target=[Data target];

indices = crossvalind('Kfold',6, 3);       %%注意每次运算得到的结果均不一致，三分之二的数据用于训练， 三分之一的数据用于测试。

indices=[2；1 ；3 ；3 ；1 ；2];

i=1;

test = (indices == i);

train = ~test;

trainData = Data(train, :);

testData = Data(test, :);

traintarget = target(train, :);

testtarget = target(test, :);

3.1数组与标量之间的的6种关系运算符最后得到的结果为与数组逐元素比较得到的新数组。 （关系运算符得到的结果为逻辑型变量）

3.2 数组与数组之间的的6种关系运算符最后得到的结果为与数组逐元素比较得到的新数组。

accuracy1 = zeros(1,4);

for i = 1:4

    test = (indices == i);

    train = ~test;

    p_cv_train=p_train(train,:);

    t_cv_train=t_train(train,:);

    p_cv_test=p_train(test,:);

    t_cv_test=t_train(test,:);

    model = TreeBagger(500, p_cv_train, t_cv_train,'NumPredictorsToSample', 5);

    [Predict_label,Scores] = predict(model,p_cv_test);

    T_sim_1=str2num(cell2mat(Predict_label));

    accuracy1(i) = length(find(T_sim_1 == t_cv_test)) / length(t_cv_test)*100;

end

accuracy2=mean(accuracy1);

4. 高光谱图像分类代码： http://www.escience.cn/people/jiangjunjun/Project_Code.html。
7*7 均值滤波：

for i=1:size(data,3);

    data(:,:,i) = imfilter(data(:,:,i),fspecial('average',7));

end 

4.1  sub2ind (size(data),i,j)  将第i行第j列的数据转化为单下标。       %自带for 循环。

[m n p] = size(indian_pines_corrected);

indian_pines_map = uint8(zeros(m,n));

data_col = reshape(indian_pines_corrected,m*n,p);

[mm nn] = ind2sub([m n],1:m*n);       %自带for 循环。

data_col = [mm' nn' data_col];           %每个像元对应的行数+列数+各个波段像元值。（一行表示一个像元）

G=reshape(BPoutput,m,n);

valid_index=sub2ind([m,n],sample(m_train*train_ratio+1:end,2),sample(m_train*train_ratio+1:end,1));%%%取验证样本的下标

c=mean(G(valid_index));  % the c in paper,we use mean value of all data

disp(['mean c: ',num2str(c)]);

Pro=mat2gray(G./c);  %Normalized Probability

ENVI 中ROI数据导出为TXT文档时将以像元方式逐行显示，X代表像元所在的列数，Y代表像元所在的行数。
(如果将经典版本中的ROI转化为shp文件，将直接转化为点文件，不利于端元位置显示,新版本中可以直接转化为面文件）

; ENVI Output of ROIs (5.3.1) [Wed Mar 21 16:29:54 2018]

; Number of ROIs: 1

; File Dimension: 1059 x 886

;

; ROI name: roi

; ROI rgb value: {255, 0, 0}

; ROI npts: 1

; ID     X  Y      Map X       Map Y        Lat          Lon      B1      B2      B3      B4      B5

   1  1058  1  695793.75  4337904.25  39.168340  -108.733627  0.0118  0.1373  0.1804  0.2157  0.2275

     将ROI数据转化为分类数据，得到的结果是一个单波段影像（影像大小跟原始影像相同），同一个类别的值相同（同一类别的像元值本身是可编辑的），未定义区域的像元值为0。 （ 这种通常为编程中标签数据的通用形式 ）
%% 将图像的DN值与标签对应连接起来。

trainl=[0 1 2;3 1 0];                %标签数据。

trainl=reshape(trainl,6,1);

trainlog=~(~trainl);

trainlable=trainl(trainlog,:);

[trainlable,ind1]=sort(trainlable);

testcon=[1 1 1 2;3 3 2 3;2 5 5 5;4 6 4 8;5 3 2 8; 6 4 1 1];           % 原始波段数据。

traincon=testcon(trainlog,:);

traincon=traincon(ind1,:);

data=[traincon trainlable];

原始影像与标签数据之间存在一一对应的关系： （应用该原则的前提是标签和原始数据来自相同的方式）
    i=1;                    % i为标签值。 

    ci = length(find(indian_pines_gt==i));      

    [v]=find(indian_pines_gt==i);

     datai = data_col(find(indian_pines_gt==i),:);     

4.2    mod(a,b)就是求的是a除以b的余数。
4.3   diag (v)   将向量转化为对角矩阵。

          V=[1 2 3 4 5];

          diag(V);

5. 1    [A, R] = geotiffread(filename)  % 读取带地理坐标的TIFF数据。 reads a georeferenced multispectral image or data grid from the GeoTIFF file specified by  filename  into  A  and constructs a spatial referencing object,  R .
A为三维矩阵，[m,n,p] m为行数（886），n为列数(1059)，p为波段数。
R为类似结构体的复杂数据类型。


5.2  问题：遥感影像中有1,2,3,4,5 五种标签，如果将3,4 两种标签合并成一种标签 (通过ROI合并功能来实现，将树木跟草合并成植被），是否影响机器学习结果？
结果表明 1种标签中包含二种地物的情况同样不影响信息的提取。