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

模糊 C 均值聚类的 MATLAB 实现，功能还挺全的，打包了 10 个函数，适合搞聚类的朋友直接上手。尤其你要那种数据边界模糊、不太好一刀切的分类问题，用Fuzzy C-Means就比 K 均值更合适。这个资源的代码结构也比较清晰，变量命名还不错，不至于看不懂。 里面的核心函数像fcm.m、initfcm.m、distfcm.m这些，基本都是围绕聚类中心更新、隶属度矩阵迭代来的，跑一套流程也就几秒，效率还行。你想换数据格式、加点可视化，都比较容易扩展。 如果你想搞清楚原理，也可以顺着这些函数调试看。对了，FCM在图像分割、医疗数据里挺常见的，这套实现放在那种项目里也能用。 顺手也给你贴几个相

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

Hadoop 的分布式计算框架，加上 K-means 这种经典算法，碰在一起其实蛮有意思的。嗯，别小看这个组合，大数据那是一把好手。你要是经常跑大规模聚类，不妨看看这篇研究，思路和代码实现都挺清晰的。 Hadoop 的 Map/Reduce模型，就是干并行计算这块的。Map 阶段负责分配数据点，Reduce 阶段更新中心点，逻辑简单但跑得快。关键是，数据是分块的，在多台机器上同时跑，速度和效率都上去了，还能避免单点崩掉的风险。 K-means 算法本来挺轻量的，但遇到海量数据，单机就有点吃不消了。Hadoop 一上场，Map/Reduce 一拆一合，K-means 也能在大数据下飞起来。每一轮

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，