给出如下图像的非监督分类（分类算法任选一种，训练区自行选择）的详细数值计算过程和结果。假设遥感图像有两个波段I1、12: I1=[4 1 2 3 2 4 4 1] I2=[7 2 1 0. 1 2 3 4].

对于给定的二维遥感图像数据，非监督分类通常用于发现数据集内在的结构而无需预先指定类别。这里我们可以选择一种简单的方法，例如K-means聚类算法，来进行初步的分析。

**步骤1：数据预处理**
首先，我们需要将这两个波段的数据合并到一个矩阵中作为特征向量。由于I1和I2都是单列向量，我们可以将其转置后再拼接：

features = np.concatenate((I1.T, I2.T), axis=1)

假设：

features = [[4, 1, 2, 3],
           [2, 4, 4, 1],
           [7, 2, 1, 0],
           [1, 2, 3, 4]]

**步骤2：初始化聚类中心**
随机选择k个样本作为初始的聚类中心，这里我们设k=2：

k = 2
initial_centers = features[np.random.choice(range(features.shape[0]), k)]

**步骤3：迭代优化**
- **分配样本**：计算每个样本点到所有聚类中心的距离（可以使用欧氏距离），然后将其归类到最近的聚类。
- **更新聚类中心**：对每个聚类内的所有样本求平均值，得到新的聚类中心。

这个过程会不断重复，直到聚类中心不再发生变化或达到预定的最大迭代次数。这里为了简洁，不做具体的计算步骤展示，因为实际计算会涉及到循环和数学库如scikit-learn中的`KMeans`。

**结果示例：**
假设经过多次迭代后，得到了两个聚类中心：
- 聚类1：`center1 = [mean(I1_1st_cluster), mean(I2_1st_cluster)]`
- 聚类2：`center2 = [mean(I1_2nd_cluster), mean(I2_2nd_cluster)]`

最终的分类结果就是每个像素点分配到的聚类编号，可以根据其与聚类中心的距离近似判断。