上一篇：遥感图像处理——数据拉伸、主成分分析、裁剪

要点：K-Means算法，IsoData算法，IsoData聚类，IsoData聚类非监督分类，最大似然法分类，主成分分析下的聚类。

本文所用数据为landsat8，福州平潭，。

本文用到的遥感图像处理工具是 ArcMap 10.4.1

---

文章目录

1、K-Means算法2、IsoData算法3、Iso聚类4、最大似然法分类5、Iso聚类非监督分类聚类操作查看属性表计算面积6、主成分分析下的聚类

遥感中的非监督分类指人们事先对分类过程没有任何的先验知识，根据遥感影像地物的光谱特征的分布规律，对其特征值进行分类。

1、K-Means算法

K-Mean算法，即 K 均值算法，是一种常见的聚类算法。算法会将数据集分为 K 个簇，每个簇使用簇内所有样本均值来表示，将该均值称为“质心”。

算法步骤是：

1）任意选择k个聚类中心（任意、随机）

2）迭代，未知样本分到距离最近的类中

3）根据第二步的结果，重新计算聚类中心

4）每一类的像元数目变化达到要求，算法end。

2、IsoData算法

IsoData算法实在k-means算法的基础上加入了试探性的步骤，能够吸收中间成果的经验，在迭代的过程中可以进行类别的分离和合并，具有“自组织性”，是目前应用最广泛的非监督分类算法。影响该分类算法分类结果的有迭代次数、类别数、参加分类的波段数目。

算法步骤是：

1）选择初始的类别平均值

2）在多维数据空间中，依据像元距离训练样本类别中心最短距离划分像元类别。

3）根据第二步的像元分类结果，重新计算每个类别的平均值。

4）2和3类别平均值相同或相近，3即为分类结果。否则的话，回到2重新进行计算和判断，直到类别新中心点与前一次的中心点相同或相近。

3、Iso聚类

空间分析工具-多元分析-iso聚类

这里选择的是7类，有林地、水体等，最小类大小是规定最小类的像元个数，波段多的话可以填多一点，采样间隔是n×n的一个采样区间，默认10就可以，每10×10作为一个采样样本。输出特征文件会输出一个gsg文件。

聚类后，用记事本打开生成的特征文件

可以看到波段、协方差矩阵等信息

4、最大似然法分类

空间分析工具-多元分析-最大似然法分类

上面iso聚类用的输入文件是753合成的波段，这里还要多输入一个文件，就是上面iso聚类生成的gsg特征文件

分别右键最大似然和iso两个文件，打开两个文件的属性表，单击左上角-排列表-新建选项，对两个表做一个对比

可以看到，两种方法分类的结果几乎是相同的

5、Iso聚类非监督分类

是Iso聚类与最大似然工具的结合。

聚类操作

空间分析工具-多元分析-iso聚类非监督分类

不用输出gsg

生成文件

查看属性表

右键打开属性表

单击每一类，可以看到图中对应的类别范围，count表示的是对应的栅格像元的个数。

计算面积

——栅格像元的数目×30×30

单击左上角表选项-添加字段-名称area，类型双精度

单击area-右键字段计算器-选择count-乘30*30

得到面积，单位平方米。

注：这里选择30，因为这里学习用的影像是30米的分辨率

6、主成分分析下的聚类

主成分分析具有增强影响的作用，在进行影像分类时会分的更好一点。

按照刚才的iso聚类非监督分类操作步骤，输入图像更改为主成分分析后的影像。

图像不再像之前分的那么细碎（左一：主成分）