最小距离监督分类法：C++ 代码实现及训练样本影响

最小距离监督分类法：C++ 代码实现及训练样本影响

本文将介绍使用 C++ 实现的最小距离监督分类法，并详细分析不同训练样本对分类结果的影响。

C++ 代码实现

void CSupervised::MinimumDistance(int Rows, int Cols, int Bands, int number, float AverageValue[][200], LPSTR *pPointer) {
	float *Gray = new float[number];
	/*欧式距离
	float *s = new float[number];
	*/
	float *Distance = new float[number];
	unsigned char *array = new unsigned char[Rows * Cols];
	
	float min;
	CFile g;
	
	CString filename;
	filename = 'min_class'; // 文件储存位置
	
	if (!g.Open(filename, CFile::modeCreate | CFile::modeWrite)) {
		AfxMessageBox("输出文件打开失败!", MB_ICONHAND);
		return;
	}
	
	// 对每个像素进行处理
	for (int data = 0; data < Rows * Cols; data++) {
		// 数组清零便于计算
		for (int k = 0; k < number; k++) {
			Gray[k] = 0;
			Distance[k] = 0;
		}
		// 计算结果进行分类    (计算各个点到样本区的距离)
		
		min = 100000;
		for (int i = 0; i < number; i++) {
			/////////////////////////绝对值距离////////////////////////
			for (int j = 0; j < Bands; j++) {
				Gray[i] = float(fabs(*pPointer[j] - AverageValue[i][j]));
				Distance[i] = Distance[i] + Gray[i];
			}
			///////////////////////////////////////////////////////////
		
			/*
			/////////////////////////欧式距离////////////////////////
			for (int j = 0; j < Bands; j++) {
				Gray[i] = float(fabs(*pPointer[j] - AverageValue[i][j]));
				s[i] = sqrt(pow(Gray[1], 2) + pow(Gray[0], 2));
				Distance[i] = Distance[i] + Gray[i];
			}
			///////////////////////////////////////////////////////////
			*/
		
			if (Distance[i] <= min)
				min = Distance[i];
		}
		
		// 比较距离，进行分类
		for (int n = 0; n < number; n++) {
			if (min == Distance[n]) {
				array[data] = n + 1;
			}
		}
		//array[data]=*pPointer[0];
		
		// 循环一次，指针移动一位
		for (int ban = 0; ban < Bands; ban++) {
			pPointer[ban]++;
		}
	}
	// 进行图像的写入
	g.Write(array, Rows * Cols);
	delete[] Gray;
	delete[] Distance;
	delete[] array;
	
	g.Close();
	AfxMessageBox("最小距离分类数据处理完毕!");
}

训练样本的影响

不同的训练样本对最小距离的监督分类法的结果会产生影响。训练样本的数量、质量、特征等都会影响分类的结果。

• 样本数量: 如果训练样本数量不足或者不具有代表性，分类结果可能会存在误差。
• 样本质量: 训练样本的质量也十分重要。如果样本中存在噪声或者错误数据，会影响分类模型的准确性。
• 样本特征: 选择合适的特征对于分类结果至关重要。如果特征选择不当，会导致分类模型无法有效地区分不同类别。

因此，选择合适的训练样本对于最小距离的监督分类法的结果非常重要。

总结

本文介绍了使用 C++ 实现的最小距离监督分类法，并详细分析了不同训练样本对分类结果的影响。通过了解如何选择合适的训练样本，可以提高最小距离分类法的准确性和可靠性。