Fuzzy C-Means Clustering for Remote Sensing Image Classification

此代码用于基于自动直方图的模糊C均值(AHFCM)聚类，该聚类在以下文章中提出并解释： http://www.sciencedirect.com/science/article/pii/S0924271614002056

遥感数字图像处理使用MATLAB进行主成份分析及穗帽变换。

将介绍在模式识别中使用K均值和C均值算法的MATLAB仿真。通过仿真，用户可以深入理解这两种算法的工作原理和应用。

FCM聚类，实现图像分割，包括相关图片和MATLAB程序，可以自行运行并验证其有效性。所有资源可供下载学习。

图像强度值由反照率分量和阴影分量确定。反照率分量描述了地球表面不同物体的物理性质，土地覆盖类别因其固有的物理材料而彼此不同。因此，我们恢复高光谱图像的内在反照率特征以利用空间语义信息。然后，我们使用支持向量机（SVM）对恢复的固有反照率高光谱图像进行分类。SVM尝试最大化最小边距以实现良好的泛化性能。实验结果表明，在视觉质量和三个定量指标方面，具有内在反照率特征方法的SVM比最先进的方法实现了更好的分类性能。如果您使用这些代码，请引用论文： @文章{ZhanJEI2017july,作者= {詹、坤和王、海波和谢、元歌和张、楚彤和敏、玉芳}， title = {用于高光谱图像分类的反照率恢复}，

K-means algorithm has long been a staple in machine learning and data mining fields, primarily for its effectiveness in clustering large-scale datasets. However, traditional K-means clustering doesn't inherently distinguish the varying discriminative power of features in data. To address this, the p

C 语言写的 K-Means 小程序，逻辑清晰，结构也不复杂，挺适合拿来练练手。你要是刚接触聚类算法，或者想看看底层是怎么跑的，这个小程序还挺值得一看。核心流程基本就几个步骤，注释也还算友好，不会太难上手。 K-Means 算法的核心其实就那几个点：随机初始化中心、计算距离、重新分配、再更新中心，循环直到稳定。这个小程序也就是围着这些逻辑来走的。虽然是用C 语言写的，但代码风格偏清爽，不是那种一坨难懂的风格。 实际用的话，可以自己改下输入数据，比如从文件读，或者直接内嵌数组。结构清晰，自己加点功能也不难。像加个可视化模块，或者做成命令行工具，其实都蛮好扩展的。 如果你想看看不同语言的实现对比，

K 均值（K-means）算法是一种挺基础的聚类算法，它通过将数据分成 K 个类别来找出数据的潜在结构。它的过程简单，是通过随机或特定策略选取 K 个初始中心点，通过迭代不断调整每个数据点的归属，直到聚类结果稳定为止。这里分享的这个 C++实现的简单聚类器，能帮你快速用 K-means 算法来对数据进行分类。其实，算法的核心逻辑并不复杂，关键是如何选择合适的初始点和 K 值。至于数据的预，像归一化啥的也是重要的，能让聚类效果更准确。如果你刚接触聚类算法，这个项目挺适合你入门的，操作起来简单，效果也还不错。，如果你想要更复杂的聚类方法，像 DBSCAN 之类的算法也可以尝试。

Pattern Classification一书中的MATLAB代码，提供了经典的各种算法的MATLAB实现。