遥感影像K均值聚类算法的OpenCV实现

这次的寒假实习选题选择了遥感影像的K均值聚类算法，在网上淘了一下发现大部分都是非遥感影像的Kmean算法，而且有的不能运行，还有的很繁杂，因此决定自己写一篇方便后来人（这是本人第一次写博客，轻喷）

算法原理

Kmean算法的原理我就不细讲了，在这里引用一篇个人觉得讲解还算不错的

https://blog.csdn.net/zengxiantao1994/article/details/73441922

然后分类后结果以及分布图可以参考这一篇（对简单的点进行分类）

https://blog.csdn.net/u011291472/article/details/103104091

算法实现

之前课间实习的时候写过K均值的算法但是只是将10个数字分成2类，而对遥感影像来说：
1、元素数目众多，这个不用多说，一张图像成千上万个像元
2、元素结构复杂，因为考虑到普适性所以直接用的是彩色影像，所以有RGB三个通道的值
了解了这些就可以开始进行编译了

OpenCV的配置

https://blog.csdn.net/u010719432/article/details/13323431

推荐使用这个，虽然过程比较麻烦但是一劳永逸

https://blog.csdn.net/xiahangli1/article/details/45038065

或者像我一样配置好一个属性表之后把它存好，每次用之前配置现有属性表就可以用了

选择初始聚类中心

一般来说直接选择最前面的若干个点作为初始聚类中心，但是可能收敛结果不理想（大家尽管尝试，最后结果肯定是对的，但是怎么说呢，还是不建议这样子写），在此我选择的是最大最小距离选心法。我就不引用了，直接简单的说一下吧：先定下第一个初始聚类中心，再在待选聚类中心中选择和第一个中心“距离”最远的点作为第二个聚类中心；再在剩下的待选点中选择与该点到两个聚类中心“距离”中的最小值最远的点作为第三个聚类中心…依次类推得到所有的初始聚类中心

int ChoseCenter(Mat graph, Point center[sort]) {
                               //最大最小距离选心法
	int grow = graph.rows;
	int gcol = graph.cols;          //图像大小 
	center[0].x = 0;
	center[0].y = 0;                //第一个初始聚类中心（0,0）
	for (int i = 1; i < sort; i++) {
   
		double max_mindistance = 0;
		int id = 0;               //点的序号，如（2,2）点的ID就是2*col+2
		for (int k = 0; k < grow*gcol; k++) {
                   //这样写就只用一层循环体就可以遍历整个二维矩阵
			double mindistance = INFINITY;
			double tep = 0;
			for (int t = 0; t < i; t++) {
   
				tep = sqrt(pow(graph.data[k * 3 + 0] - graph.data[(center[t].x*gcol + center[t].y) * 3 + 0], 2) +
					  pow(graph.data[k * 3 + 1] - graph.data[(center[t].x*gcol + center[t].y) * 3 + 1], 2) +
					  pow(graph.data[k * 3 + 2] - graph.data[(center[t].x*gcol + center[t].y) * 3 + 2], 2));               //计算RGB色差
				if (tep < mindistance)
					mindistance = tep;              //确定点到所有已知初始聚类中心的最小色差
			}
			if (mindistance > max_mindistance) {
   
				max_mindistance = mindistance;           //确定所有点的最小色差的最大值
				id = k;                                //最大值对应的点的序号
			}
		}
		center