文档介绍：数字图像处理第一二次实验报告

end if(I(1)==4) Q((i))=4; end end R=a; for j=1:4
a(j)=sum(W(:,j))/length(find(W(:,j)~=0)); end end

M=reshape(Q,400,400); st=zeros(400,400,3); for i=1:400 for j=1:400 if(M(i,j)==1)
st(i,j,:)=[255 0 0]; end
if(M(i,j)==2)
st(i,j,:)=[0,255,0]; end
if(M(i,j)==3)
st(i,j,:)=[205 205 0]; end
if(M(i,j)==4)
st(i,j,:)=[255 255 255]; end end end
imshow(st);

实验分析:选用合适的数据结构存储数据元组,然后设定参数,数据的总量,维度,聚类类别数量,然后随机产生K个D维的数据作为质心,计算每个数据与质心距离,并加入所属的簇中,经多次迭代后,质心不变后,得到分类后的结果。由于初始化质心是随机的,所以每次运行聚类分析花费的时间略有不同,本实验采用结构体来存储数据,聚类的操作多应用指针来实现,在选择所属的簇,并加入簇中,加入的是数据的索引值,提高了效率,在一步中如果使用指针指向数据可以进一步提高效率。总体上说算法的运行时间还是比较令人满意。
百度搜索“就爱阅读”,专业资料、生活学****您的在线图书馆! 中国地质大学(武汉)
模式识别实验报告

姓名: 班级: 学号:
指导老师:马丽

遥感图像处理
实验内容:
一学****使用ENVI
1. 使用ENVI打开遥感图像(任选3个波段合成假彩***像,保存写入报告)

2. 会查看图像的头文件(保存或者copy至报告)

3. 会看地物的光谱曲线(保存或者copy至报告)

4. 进行数据信息统计(保存或者copy至报告)

5. 设置ROI,对每类地物自己添加标记数据,并保存为ROI文件和图像文件报告中)。
CMap贴到(
6. 使用自己设置的ROI进行图像分类(ENVI中的两种有监督分类算法)(分类算法名称和分类结果写入报告)
最小距离(Minimum Distance):利用训练样本数据计算出每一类的均值向量和标准差向量,然后以均值向量作为该类在特征空间中的中心位置,计算输入图像中每个像元到各类中心的距离,到哪一类中心的距离最小,该像元就归入到哪一类。马氏距离(Mahalanobis Distance):计算输入图像到各训练样本的马氏距离(一种有效的计算两个未知样本集的相似度的方法),最终统计马氏距离最小的,即为此类别。

二 MATLAB处理遥感数据(提交代码和结果)
7. 用MATLAB读入遥感数据(zy3和DC两个数据)
8. 用MATLAB读入遥感图像中ROI中的数据(包括数据和标签)
9. 把图像数据m*n*L(其中m表示行数,n表示列数,L表示波段数),重新排列为N *L的二维矩阵(其中N=m*n ),其中N表示所有的数据点数量m*n。(提示,用reshape函数,可以help查看这个函数的用法)
10. 计算每一类数据的均值(平均光谱),并把所有类别的平均光谱画出来(plot)(类似下面的效果)。
11. 画出zy3数据中“农作物类别”的数据点(自己ROI标记的这个类别的点)在每个波段的直方图(matlab函数:nbins=50; hist(Xi,nbins),其中Xi表示这类数据在第i波段的数值)。计算出这个类别数据的协方差矩阵,并画出(figure, imagesc(C), colorbar)。% 读遥感数据,以及读入带标签的数据 clear all
% read the data zy3sample1
Img
irect’,[1:4]});%将高光谱数据读入 GT
[1:1]});%将ground truth读入(也就是带标签的CMap或说ROI信息读入) test_class=1:4; C=length(test_class); NbRow=400; NbCol=400; NbDim=4; dataname=‘zy3’;
% 第一种方式读入带标签数据
[X,Y]=ExtractDataFromROI(Img, GT); % 或者自己写程序,根据Img和GT来读带标签数据。 X=[];Y=[]; for i=1:NbRow for j=1:NbCol
if GT(i,