高光谱遥感图像FuzzyMeansCluster算法-matlab.rar

基于FuzzyMeansCluster算法的高光谱遥感图像聚类（matlab实现）

%function [clusters] = Fuzzy_K（patterns_incplot_on）
clear all
clc
%read an image file 92av3c9.lan  from Multispec

fid1=fopen（‘c:\image\92av3c9.lan‘‘rb‘）; 
status=fseek（fid1128‘bof‘）;
bandnum=9;
row=145;							
column=145;						
X1=uint16（fread（fid1[row*bandnum column]‘uint16‘））;
fclose（fid1）;


% change the multispect picture 92av3c9.lan to 3D
for n=1:bandnum
     Y1（1:row1:columnn）=X1（1+（n-1）*row:n*row1:column）‘;
  
end

%read ground truth from the file ‘92av3gt.gis‘
fid=fopen（‘C:\image\92AV3GT.GIS‘‘rb‘）;
status=fseek（fid128‘bof‘）;
row=145;
column=145;
X=uint8（fread（fid[column row]‘uint8‘））;
fclose（fid）;

X=X‘;
X_ESSS=X;
max=0;
for i=1:row
    for j=1:column
        if max            max=X_ESSS（ij）;
        end
    end
end
count=zeros（161）;
for i=1:1:16
    for j=1:row
        for k=1:column
            if X_ESSS（jk）==i
                count（i）=count（i）+1;
            end
        end
    end
end  
count        

% define the patterns that  needs to be classified

for n=1:bandnum

pattern=Y1（::n）;
pattern=pattern‘;

X=X‘;
X111=X;
pattern1=pattern（find（X（::）==2））;

pattern2=pattern（find（X（::）==5））;

pattern3=pattern（find（X（::）==6））;

pattern4=pattern（find（X（::）==8））;

pattern5=pattern（find（X（::）==11））;

pattern6=pattern（find（X（::）==14））;

patterns_in（n:）=[pattern1‘pattern2‘pattern3‘pattern4‘pattern5‘pattern6‘];

end

patterns_in=double（patterns_in）;

X=X‘;
% define the matrix for the coordinates of the patterns that are to be classified
[R1C1]=find（X（::）==2）; 
co1=[R1C1]‘;
[R2C2]=find（X（::）==5）;
co2=[R2C2]‘;
[R3C3]=find（X（::）==6）;
co3=[R3C3]‘;
[R4C4]=find（X（::）==8）;
co4=[R4C4]‘;
[R5C5]=find（X（::）==11）;
co5=[R5C5]‘;
[R6C6]=find（X（::）==14）;
co6=[R6C6]‘;

coordinates=[co1co2co3co4co5co6];



% fuzzy K-means

%Reduce the number of data points using the fuzzy k-means algorithm
%Inputs:
%	patterns_in	    - Input patterns
%	c				- Number of output data points
%   plot_on         - Plot stages of the algorithm
%
%Outputs
%	patterns		- New patterns
%	clusters	    - New clusters

m		= 2;
N		= size（patterns_in2）;
c       = 6;%c--the number of clusters designated   
dist	= zeros（cN）;       
Dim     = size（patterns_in1）;%t = size（Xdim） returns the size of the dimension of X specified by scalar dim.

%Initialize the V‘s
%V--the clustering centroids
V   = randn（Dimc）;
V	= sqrtm（cov（patterns_in‘1））*V + mean（patterns_in‘）‘*ones（1c）;

old_V	= zeros（Dimc）;

%Initialize the U‘s
%U--the membership matrix

for i = 1:c
      dist（i:） = sum（（patterns_in（::） - V（:i）*ones（1N））.^2）;
      %the sum of the square of the distance from one pattern to eac clustering centroid 
   end
   
  %Compute U‘s 
   U = （1./dist）.^（1/（m-1））;
   U = U ./ （ones（c1） * sum（U））; 
   %If A is a matrix sum（A） treats the columns of A as vectors returning a row vector of the sums of 

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       4714  2007-06-04 19:25  Fuzzy_K.m

----------- ---------  ---------- -----  ----

                 4714                    1