数字图像处理第三次实验报告.docVIP

中国地质大学(武汉） 模式识别实验报告 姓名：靳庆琛 班级：075112 学号：20111001524 指导老师：马丽 基于kNN算法的遥感图像分类 实验内容： 1. 采用zy3sample数据（400*400*4），该数据分为4个类别：土地；农作物/植被；大棚；道路。有余力的同学最好再使用INP高光谱数据(数据全称：Indiana Indian Pines，大小145*145*200)进行分类。 2. 随机在所有带标记的数据中（也就是你自己做的ROI）选择train和test数据（比例自己定，可以50%train数据，50%test数据，也可以30%train数据70%test数据,或者其他比例；可以尝试不同train数据数目下，分类效果的差别），然后进行kNN分类。随机选择10次，然后求平均结果（以及标准差）作为最终对算法的评价。 利用所有或者部分带标记的数据作为train数据，对整个图像进行分类，得到整个图像的分类结果图。 4. 关于K值的选择，可以选择为1,3,5,7,9,11等。有余力的同学，分别用这6种K的取值进行kNN算法，得到每种K值下的总体分类精度OA，然后进行比较（plot画出不同K值下的OA变化曲线，或者给出表格，写出每种K值下的OA）。 5. 关于距离度量的选择，可以采用欧氏距离或者光谱角距离（提供代码；zy3数据应该欧式距离更好，INP数据应该SAM更好，因为INP是高光谱数据，zy3只有4个波段是多光谱数据。SAM对高光谱数据的效果更好），有余力的同学，这两种距离都采用，然后做比较，或者尝试其他可能更有效的距离度量方式。 实验代码： clear all % %% read the data zy3sample1 Img = multibandread(zy3sample1,[400,400,4],float,0,bsq,n,{Band,Direct,[1:4]});%将高广谱数据读入 GT = multibandread(123,[400,400,1],uint8,0,bsq,n,{Band,Direct,[1:1]});%将高广谱数据读入 test_class=1:4; C=length(test_class); NbRow=400; NbCol=400; NbDim=4; dataname=zy3; [X,Y]=ExtractDataFromROI(Img, GT); K=7;%% 这个参数可调 nrep=10; Sampling=1; for expt=1:nrep Train_row=[];Train_col=[]; Test_row=[];Test_col=[]; Y_train=[];Y_test=[]; X_train=[];X_test=[]; for i=1:length(test_class) [row,col]=find(GT==test_class(i)); n(i)=length(row); temp=randperm(n(i)); ind_train=temp(1:round(n(i)*Sampling/100)); ind_test=temp(round(n(i)*Sampling/100)+1:end); Train_row=[Train_row;row(ind_train)];% label数据的row Train_col=[Train_col;col(ind_train)]; n_train(i)=round(n(i)*Sampling/100); Test_row=[Test_row;row(ind_test)];% label数据的row Test_col=[Test_col;col(ind_test)]; n_test(i)=n(i)- n_train(i); For j=1:n_train(i) X_train=[X_train;reshape(Img(row(ind_train(j)),col(ind_train(j)),:),1,NbDim)];end For j=1:n_test(i) X_test=[X_test;reshape(Img(row(ind_test(j)),col(ind_test(j)),:),1,NbDim)];end Y_train=[Y_train;repma