最近写了两个关于遥感图像的简单的非监督分类算法KMEAN和ISODATA，发现结果和ENVI的一直有差异，而且还蛮大的，找了好久也没有找到原因。于是用PS自己绘制了一个简单的图像用于测试。如图1所示，该图*有四个颜色（类别），四个角为绿色，上下为蓝色，左右为红色，中心为黄色。按道理来说，非监督分类应该初始种子点设置为4类应该可以将该图像分为四类。

图1 使用PS绘制的测试图像

首先使用ENVI自带的KMEAN分类，初始类别个数设置为5类，迭代次数为5，其他参数默认。图2是处理的结果。我自己写的KMEAN参数也是初始类别个数为5，迭代次数为5，处理结果见图3。从图2和图3对比可以看出，ENVI的结果就剩下2类，四周全部合并为一类，中间的黄色为另外一类。图3中处理的结果与原图一样，颜色是随机给的，所以颜色和原图不一样，类别个数还是5类。由于KMEAN对初始种子点的选取比较敏感，不知道ENVI的种子点是如何选取的，我自己使用随机数进行选取。

图2 ENVI的KMEAN处理结果

图3 我写的KMEAN处理结果

接下来再看看ISODATA分类的结果，和上面一样，初始类别个数设置为5和10，也就是最小五类，最大十类。迭代次数还是5次，图4是使用ENVI处理的结果，图5是我自己写的结果。对比发现，ISODATA相对KMEAN来说，效果要好一些（仅仅以图1中的数据来说），总共找出了四类，中间的和左右两边的合并为一类了。而我自己写的和原图类别个数保持一致，至少说明我写的没有错误。

图4 ENVI的ISODATA处理结果

图5 我写的ISODATA处理结果

下面是我写KMEAN和ISODATA算法参考的几个资料，有需要的同学可以看看。另外很多开源库里面都有这两个算法的源码，比如OpenCV，RSGIS，OTB等。

参考资料

[1]:k-means clustering  http://en.wikipedia.org/wiki/K-means_clustering
[2]:KMean cluster algorithm  http://blog.sina.com.cn/s/blog_51eea616010091ub.html
[3]:K-Mean Clustering Tutorials  http://people.revoledu.com/kardi/tutorial/kMean/index.html
[4]:深入浅出K-Means算法  http://www.csdn.net/article/2012-07-03/2807073-k-means
[5]:基本Kmeans算法介绍及其实现  http://blog.csdn.net/qll125596718/article/details/8243404

[6]:A Tutorial on Clustering Algorithms  http://home.deib.polimi.it/matteucc/Clustering/tutorial_html/index.html