非监督分类法的设计主要是将各种影像数据根据遥感影像地物的光谱特征分布规律，通过预分类处理形成集群(聚类)，再由集群的统计参数调整预置的参量，接着再聚类，再调整，如此不断迭代直至有关参量的变动在事先选定的阈值范围内为止，通过这个过程来确定判决函数(赵英时，2003；朱述龙等，2000)。代表性方法包括K均值分类法(邵锐等，2005)和ISODATA分类法等，本节以K均值分类为例，来阐明其流程。
K均值算法能使聚类域中所有样本到聚类中心的距离平方和最小。其主要步骤如下:
第一步:任选k个初始聚类中心:
，…，Z1k(上角标数字为寻找聚类中的迭代运算次数)。用数组classp[6*clsnumber]来存储类中心的值，一般可选定样品集的前k个样品作为初始聚类中心。但是考虑到这样做不太利于后面的算法收敛，因此采用了最大最小距离选心法。该法的原则是使各初始类别之间，尽可能地保持远离。
任意选取50个初始中心，将其值存入iGrayValue[6*50]中；将第一个点X1作为第一个初始类别的中心Z1。
计算X1与其他各抽样点的距离D。取与之距离最远的那个抽样点(例如X7)为第二个初始类别中心Z2，则第二个初始类中心Z2＝X7。
对剩余的每个抽样点，计算它到已有各初始类别中心的距离Dij(i＝1，2，…，已知有初始类别数m)，并取其中的最小距离作为该点的代表距离Dj:
(www.xing528.com)
在此基础上，再对所有各剩余点的最小距离Dj进行相互比较，取其中最大者，并选择与该最大的最小距离相应的抽样点(如X11)作为新的初始类中心点，即Z3＝X11。此时m＝m＋1。
如此迭代直到m≥clsnumber，即m＝0，1，2，…，clsnumber。
K均值算法的特点是:K均值算法的结果受到所选聚类中心的个数k及初始聚类中心选择的影响，也受到样品的几何性质及排列次序的影响，实际上需试探不同的k值和选择不同的初始聚类中心。如果样品的几何特性表明它们能形成几个相距较远的小块孤立区，则算法多能收敛。图10-2给出聚类类别数为3、最大改变阈值为5、最大迭代次数为5时的K均值分类效果图。
图10-2 K均值分类算法效果
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
