假设各类别协方差矩阵相等,推导马氏距离分类器。 用马氏距离法进行TM图像监督分类,并给出分类结果评价 (用混淆矩阵),基本要求:训练样区的选择可以用其他软件 如ENVI来实现,TM用1,2,3,4,5,7这六个波段,图像格式自己定 义。数据量不作要求,结果用专题图的形式表示(用不同色斑 表示不同地物类别),用ENVI自带的例子数据,类别数量4类。 提高要求:训练样区自己选择,数据量可以任意,数据类型可 以任意(也就是波段数量可变),开发一个实用的马氏距离分 类器。请给出具体的Python代码
时间: 2023-11-19 19:04:18 浏览: 201
马氏距离分类器
假设各类别协方差矩阵相等,那么马氏距离分类器的决策规则为:
$D_i = (\mathbf{x}-\mathbf{m}_i)^T\Sigma^{-1}(\mathbf{x}-\mathbf{m}_i)$
其中,$D_i$ 表示样本 $\mathbf{x}$ 属于第 $i$ 类的马氏距离,$\mathbf{m}_i$ 表示第 $i$ 类样本的均值向量,$\Sigma$ 表示各类别协方差矩阵的平均。
最终,将样本 $\mathbf{x}$ 分类为使 $D_i$ 最小的 $i$。
TM图像监督分类
以 TM5遥感影像为例进行分类,使用 ENVI 软件选择训练样区,选择4种类别:水体、森林、农田和城镇建筑。
首先,读取影像数据并进行预处理:
```python
import numpy as np
import spectral
# 读取影像数据
img = spectral.open_image('tm5.hdr')
data = img.load()
rows, cols, bands = img.shape
# 数据预处理
data = np.reshape(data, (rows*cols, bands))
data[np.isnan(data)] = 0
data = spectral.transforms.rescale(data, (0, 1))
```
接下来,选择训练样区并计算各类别的均值向量和协方差矩阵:
```python
# 选择训练样区
train_img = spectral.open_image('train.hdr')
train_data = train_img.load()
train_rows, train_cols, train_bands = train_img.shape
train_data = np.reshape(train_data, (train_rows*train_cols, train_bands))
# 计算均值向量和协方差矩阵
mean_vectors = []
cov_matrix = np.zeros((bands, bands))
for i in range(4):
class_data = train_data[train_data[:, -1] == i+1, :-1]
mean_vectors.append(np.mean(class_data, axis=0))
cov_matrix += np.cov(class_data.T)
cov_matrix /= 4
```
最后,使用马氏距离分类器对整个影像进行分类,并将分类结果保存为专题图:
```python
# 马氏距离分类器
result = np.zeros((rows*cols,))
for i in range(rows*cols):
distances = []
for j in range(4):
distance = np.dot(data[i]-mean_vectors[j], np.linalg.inv(cov_matrix))
distance = np.dot(distance, (data[i]-mean_vectors[j]).T)
distances.append(distance)
result[i] = np.argmin(distances) + 1
# 保存专题图
result = np.reshape(result, (rows, cols))
spectral.save_rgb('result.jpg', result, (3, 2, 1))
```
混淆矩阵用于评价分类结果,可以使用 sklearn 库中的 confusion_matrix 方法进行计算:
```python
from sklearn.metrics import confusion_matrix
# 计算混淆矩阵
true_labels = np.reshape(img[:,:,6], (rows*cols,))
confusion = confusion_matrix(true_labels, result)
print(confusion)
```
完整代码:
```python
import numpy as np
import spectral
from sklearn.metrics import confusion_matrix
# 读取影像数据
img = spectral.open_image('tm5.hdr')
data = img.load()
rows, cols, bands = img.shape
# 数据预处理
data = np.reshape(data, (rows*cols, bands))
data[np.isnan(data)] = 0
data = spectral.transforms.rescale(data, (0, 1))
# 选择训练样区
train_img = spectral.open_image('train.hdr')
train_data = train_img.load()
train_rows, train_cols, train_bands = train_img.shape
train_data = np.reshape(train_data, (train_rows*train_cols, train_bands))
# 计算均值向量和协方差矩阵
mean_vectors = []
cov_matrix = np.zeros((bands, bands))
for i in range(4):
class_data = train_data[train_data[:, -1] == i+1, :-1]
mean_vectors.append(np.mean(class_data, axis=0))
cov_matrix += np.cov(class_data.T)
cov_matrix /= 4
# 马氏距离分类器
result = np.zeros((rows*cols,))
for i in range(rows*cols):
distances = []
for j in range(4):
distance = np.dot(data[i]-mean_vectors[j], np.linalg.inv(cov_matrix))
distance = np.dot(distance, (data[i]-mean_vectors[j]).T)
distances.append(distance)
result[i] = np.argmin(distances) + 1
# 计算混淆矩阵
true_labels = np.reshape(img[:,:,6], (rows*cols,))
confusion = confusion_matrix(true_labels, result)
print(confusion)
# 保存专题图
result = np.reshape(result, (rows, cols))
spectral.save_rgb('result.jpg', result, (3, 2, 1))
```
阅读全文