聚类分析模式识别.doc
《聚类分析模式识别.doc》由会员分享，可在线阅读，更多相关《聚类分析模式识别.doc（6页珍藏版）》请在冰点文库上搜索。
聚类分析实验
一、实验目的
加深对K均值聚类分析算法的理解，掌握K均值聚类分析分类器的设计方法。
二、实验内容
根据实验数据设计K均值聚类分析分类器，实验数据采用遥感彩色图像，以图像的所有象素为样本集，每一象素点的R、G、B值作为其特征向量。
1）选择合适的类别数K和初始聚类中心。
2）选择距离测度。
3）设计迭代中止条件，或人为设定迭代次数。
4）循环迭代结束时，各类的所有象素其R、G、B值用各类中心的R、G、B值表示，画出分类结果图。
5）分析不同初始聚类中心和迭代条件对分类效果的影响。
三、实验思路
利用K均值算法的思路，根据其步骤，将实验分为以下几步：
1、本实验中选定K=5，即选K个聚类中心，任选K个样本为初始聚类中心；
2、分别计算每个样本到各聚类中心的距离，按照最小距离原则，将全部样本分配到K个聚类中；
3、利用下式计算重新分类后的各聚类中心
j=（1,2,3）
4、比较新的聚类中心和旧的聚类中心之间的距离，如果它们的距离小于等于0.01，则认为两聚类中心相等，跳出迭代，否则转2，进行迭代，直至达到最大迭代数；
5、分类结束，将所有样本分成K类，各类值都与其对应聚类中心值相等。
画出图像，算法结束。
四、实验结果
最后的聚类中心和一共迭代次数为：
五、附录
closeall;clearall;clc;
%读取图像
f=imread（'D:
\model.bmp'）;
figure;
imshow（f）;
title（'未聚类前图像'）
S=size（f）;%得到图像矩阵,发现它是247*203*3矩阵
hd=double（f）;
r=hd（:
:
1）;%把三原色分开，红
g=hd（:
:
2）;%绿
b=hd（:
:
3）;%蓝
%任选K个初始聚类中心
z（1,:
）=[r（50,40）,g（50,40）,b（50,40）];
z（2,:
）=[r（200,40）,g（200,40）,b（200,40）];
z（3,:
）=[r（50,160）,g（50,160）,b（50,160）];
z（4,:
）=[r（200,160）,g（200,160）,b（200,160）];
z（5,:
）=[r（120,100）,g（120,100）,b（120,100）];
%按最小距离原则，将全部样本分配到K个聚类中
form=1:
100%最大失代次数
%x1=[];x2=[];x3=[];x4=[];x5=[];
zz=zeros（5,3）;
k=zeros（5,1）;
forrr=1:
S（1,1）;
forll=1:
S（1,2）;
%计算样本到各聚类中心的距离
fornn=1:
5
dt（nn,1）=（[hd（rr,ll,1）,hd（rr,ll,2）,hd（rr,ll,3）]-z（nn,:
））*（[hd（rr,ll,1）,hd（rr,ll,2）,hd（rr,ll,3）]-z（nn,:
））';
end
[yy,xx]=min（dt）;%得到样本距离其中一个中心距离最小
k（xx,1）=k（xx,1）+1;
zz（xx,:
）=zz（xx,:
）+[r（rr,ll）,g（rr,ll）,b（rr,ll）];
zb（xx,k（xx,:
）,:
）=[rr,ll];%标记坐标号
end
end
forn=1:
5
zt（n,:
）=zz（n,:
）/k（n,1）;%重新计算各聚类中心
dz（n）=sqrt（（zt（n,:
）-z（n,:
））*（zt（n,:
）-z（n,:
））'）;%计算新旧聚类中心的距离
z（n,:
）=zt（n,:
）;%聚类中心更新
end
ifmax（dz）<=0.01%如果新老聚类中心的距离<=0.01则认为相等
break;
end
end
%所有样本的值都与其聚类中心的值相等
forn=1:
k（1,1）
hd（zb（1,n,1）,zb（1,n,2）,1）=z（1,1）;
hd（zb（1,n,1）,zb（1,n,2）,2）=z（1,2）;
hd（zb（1,n,1）,zb（1,n,2）,3）=z（1,3）;
end
forn=1:
k（2,1）
hd（zb（2,n,1）,zb（2,n,2）,1）=z（2,1）;
hd（zb（2,n,1）,zb（2,n,2）,2）=z（2,2）;
hd（zb（2,n,1）,zb（2,n,2）,3）=z（2,3）;
end
forn=1:
k（3,1）
hd（zb（3,n,1）,zb（3,n,2）,1）=z（3,1）;
hd（zb（3,n,1）,zb（3,n,2）,2）=z（3,2）;
hd（zb（3,n,1）,zb（3,n,2）,3）=z（3,3）;
end
forn=1:
k（4,1）
hd（zb（4,n,1）,zb（4,n,2）,1）=z（4,1）;
hd（zb（4,n,1）,zb（4,n,2）,2）=z（4,2）;
hd（zb（4,n,1）,zb（4,n,2）,3）=z（4,3）;
end
forn=1:
k（5,1）
hd（zb（5,n,1）,zb（5,n,2）,1）=z（5,1）;
hd（zb（5,n,1）,zb（5,n,2）,2）=z（5,2）;
hd（zb（5,n,1）,zb（5,n,2）,3）=z（5,3）;
end
fn=uint8（hd）;
figure;
imshow（fn）;
title（'K均值聚类后的图像'）;
升级会员 