C#+GDAL实现K-means非监督分类

Rese-cxk

已于 2022-12-20 20:03:40 修改

阅读量499

点赞数 2

文章标签： c# kmeans 图像处理聚类

于 2022-12-20 19:11:51 首次发布

本文链接：https://blog.csdn.net/qq_57109639/article/details/128388979

版权

本文介绍了使用C#结合GDAL库实现K-means无监督聚类的方法，详细阐述了K-means算法的过程，并展示了对图像进行聚类后的效果。

摘要由CSDN通过智能技术生成

1、K-means简介

k-means是一种无监督的学习，事先不知道类别，自动将相似的对象归到同一个簇中，它是一种聚类分析（cluster analysis）的算法，其主要是来计算数据聚集的算法，主要通过不断地取离种子点最近均值的算法。

先随机选取K个对象作为初始的聚类中心。然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。一旦全部对象都被分配了，每个聚类的聚类中心会根据聚类中现有的对象被重新计算。经过反复迭代，直到聚类中心变化极小，输出最终的聚类结果。

本文是对图像进行进行聚类，事先通过GDAL读取图像的数据，如何进行k-means迭代并保存为新图像。话不多说，直接上代码。

2、K-means实现过程

2.1 获取Dataset数据

  public static List<int[]> GetDNdata(Dataset dataset)//将各像元DN数据存入数组方便计算
        {
            int xSize = dataset.RasterXSize;
            int ySize = dataset.RasterYSize;

            List<int[]> idata = new List<int[]>();

            for (int i = 0; i < dataset.RasterCount; i++)
            {
                int[] bf = new int[xSize * ySize];
                dataset.GetRasterBand(i + 1).ReadRaster(0, 0, xSize, ySize, bf, xSize, ySize, 0, 0);
                idata.Add(bf);
            }
            return idata;
        }

2.2 k-means静态函数

 /// <summary>
        /// K均值聚类（K-means）
        /// </summary>
        /// <param name="dt">原图数据集</param>
        /// <param name="threshold">迭代阈值</param>
        /// <param name="K">聚类数量</param>
        /// <param name="filepath">保存路径</par