最小距离监督分类法代码解析及训练样本影响分析

最小距离监督分类法代码解析及训练样本影响分析

本文将深入分析最小距离监督分类法的代码实现，并探讨不同的训练样本对分类结果的影响。通过代码示例和详细解释，帮助您理解最小距离分类法的原理和应用。

代码分析

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

不同的训练样本会对最小距离分类法的结果产生影响。具体来说，如果训练样本的数量和质量不足，分类结果可能会出现误差和不准确的情况。而如果训练样本数量足够且质量高，分类结果会更加准确。此外，训练样本的选择也会影响分类结果，不同的训练样本可能会对不同的类别产生不同的影响。因此，在进行最小距离分类法时，需要选择合适的训练样本，以获得更加准确的分类结果。

总结

本文通过代码分析和解释，阐述了最小距离监督分类法的基本原理和实现过程，并强调了训练样本在分类结果中的重要性。在实际应用中，需要根据具体情况选择合适的训练样本，并对分类结果进行评估和优化。