遙感影像監(jiān)督分類和非監(jiān)督分類與相關代碼實現(xiàn)

...wd......wd......wd...遙感影像監(jiān)視分類與非監(jiān)視分類摘要：遙感影像的分類方法按照是否有先驗類別可分為監(jiān)視分類和非監(jiān)視分類，這兩種分類方法有著本質(zhì)的區(qū)別但也有存在一定的聯(lián)系。本文從分類原理和分類方法等不同角度分別介紹了監(jiān)視分類和非監(jiān)視分類方法，并對兩種方法的分類結果進展了比照和分析。關鍵詞：遙感；監(jiān)視分類；非監(jiān)視分類；ISODATA算法；貝葉斯分類算法。數(shù)據(jù)來源本文使用的數(shù)據(jù)是華盛頓廣場上空由衛(wèi)星拍攝的高光譜遙感影像。該幅影像使用的傳感器系統(tǒng)覆蓋0.4到2.4m的可見光到近紅外的210個波段。由于0.9-1.4米光譜對應的區(qū)域上空大氣透光性很差，因此將這個區(qū)域內(nèi)的波段從影像中刪除，最后得到191個波段。該數(shù)據(jù)集有1208個掃描行，每行307個像元，容量近似150MB。為了清晰地反映影像中地物的特征，本文從191個波段中選擇了3個波段，分別是120、140和160。下面兩幅圖分別是全波段影像和三波段影像：圖1全波段影像圖2三波段影像遙感影像的監(jiān)視分類2.1監(jiān)視分類的原理監(jiān)視分類〔supervisedclassification〕又稱訓練場地法，是以建立統(tǒng)計識別函數(shù)為理論基礎，依據(jù)典型樣本訓練方法進展分類的技術。即根據(jù)訓練區(qū)提供的樣本，通過選擇特征參數(shù)，求出特征參數(shù)作為決策規(guī)則，建立判別函數(shù)以對各待分類影像進展的圖像分類，是模式識別的一種方法。要求訓練區(qū)域具有典型性和代表性。判別準則假設滿足分類精度要求，則此準則成立；反之，需重新建立分類的決策規(guī)則，直至滿足分類精度要求為止。常用算法有：最大釋然分類法、最小距離分類法、馬氏距離分類法、平行六面體分類法、K-NN分類法。本文選用最大釋然分類法對遙感影像進展監(jiān)視分類。最大似然判別法.也稱為貝葉斯(Bayes)分類,是基于圖像統(tǒng)計的監(jiān)視分類法,也是典型的和應用最廣的監(jiān)視分類方法.它建立在Bayes準則的基礎上,偏重于集群分布的統(tǒng)計特性,分類原理是假定訓練樣本數(shù)據(jù)在光譜空間的分布是服從高斯正態(tài)分布規(guī)律的,做出樣本的概率密度等值線,確定分類,然后通過計算標本(像元)屬于各組(類)的概率,將標本歸屬于概率最大的一組.用最大似然法分類,具體分為三步:首先確定各類的訓練樣本,再根據(jù)訓練樣本計算各類的統(tǒng)計特征值,建立分類判別函數(shù),最后逐點掃描影像各像元,將像元特征向量代入判別函數(shù),求出其屬于各類的概率,將待判斷像元歸屬于最大判別函數(shù)值的一組。2.2最大釋然分類算法的調(diào)試#include<iostream.h>#include<fstream.h>#include<stdlib.h>#include<math.h>#include<iomanip.h>constfloatPI=3.1415;floattrain1[60][3],train2[60][3],train3[60][3],train4[60][3];//存各類訓練樣本floatm1[3],m2[3],m3[3],m4[3],c1[3][3],c2[3][3],c3[3][3],c4[3][3];//各類均值向量及協(xié)方差矩陣floatp=0.25;//先驗概率floattest[240][11];//檢驗樣本各列分別存放：分類前類別，行號，列號，一波段灰度，二波段灰度，三波段灰度，分類后類別floata1,a2,a3,a4;//公式中常數(shù)項；floatqq,qq1,qq2,qq3,qq4;//分類精度floatk;//kappa值intq[4][4];//混淆矩陣floata[4][4];//精度指標矩陣各列分別為生產(chǎn)者精度漏分誤差//用戶精度錯分誤差intmain(){ voidgetdata1(char*filename); voidgetdata2(char*filename);voidcompute(floattrain[60][3],floatm[3],floatc[3][3],float*a); floatidentify(floatm[3],floatc[3][3],floata,floatband1,floatband2,floatband3); intclassify(floatp1,floatp2,floatp3,floatp4);voidtesting(); voidaccuracy(floatp[4][4]); voidoutput(char*filename); voidoutput1(char*filename); getdata1("05training.txt");//存放的是訓練樣本三個波段的灰度值 getdata2("05testing.txt");//檢驗樣本行號列號類別代碼三個波段的灰度值compute(train1,m1,c1,&a1);//計算各類均值向量及協(xié)方差矩陣 compute(train2,m2,c2,&a2); compute(train3,m3,c3,&a3); compute(train4,m4,c4,&a4);testing();//對檢驗樣本分類 accuracy(a); output("05test-result.txt"); output1("05confusion-matrix.txt"); return0;}voidgetdata1(char*filename){ ifstreaminfile(filename,ios::in|ios::nocreate);//把每類樣本的灰度值依次存入對應的數(shù)組if(infile==0) {cout<<"openinfileerror!"<<endl; exit(1); }inti,j; for(i=0;i<60;i++) for(j=0;j<3;j++) infile>>train1[i][j];for(i=0;i<60;i++) for(j=0;j<3;j++) infile>>train2[i][j];for(i=0;i<60;i++) for(j=0;j<3;j++) infile>>train3[i][j];for(i=0;i<60;i++) for(j=0;j<3;j++) infile>>train4[i][j]; infile.close();}voidgetdata2(char*filename){ ifstreaminfile(filename,ios::in|ios::nocreate);if(infile==0) { cout<<"openinfileerror!"<<endl; exit(1); }inti,j; for(i=0;i<240;i++)//檢驗樣本的數(shù)量為240 for(j=0;j<6;j++)//行、列號、類別代碼、三個波段灰度值 infile>>test[i][j];infile.close();}voidcompute(floattrain[60][3],floatm[3],floatc[3][3],float*a){ voidgauss(intf,floatn[3][3]);//求n矩陣的逆陣聲明 inti,j;for(i=0;i<3;i++)m[i]=0; for(i=0;i<3;i++) { for(j=0;j<60;j++) m[i]+=train[j][i]; m[i]=m[i]/60; }floatTrain[3][60];//轉置矩陣 for(i=0;i<3;i++) for(j=0;j<60;j++) Train[i][j]=train[j][i]; intk; for(i=0;i<3;i++)//求協(xié)方差 for(j=0;j<3;j++) {c[i][j]=0;for(k=0;k<60;k++) c[i][j]+=((Train[i][k]-m[i])*(train[k][j]-m[j])); c[i][j]=c[i][j]/60; } *a=c[0][0]*c[1][1]*c[2][2]+c[0][1]*c[1][2]*c[2][0]+c[0][2]*c[1][0]*c[2][1] -c[0][2]*c[1][1]*c[2][0]-c[0][0]*c[1][2]*c[2][1]-c[0][1]*c[1][0]*c[2][2]; *a=(-0.5)*log(*a)+log(p)-25*log(2*PI);gauss(3,c); }floatidentify(floatm[3],floatc[3][3],floata,floatband1,floatband2,floatband3){//計算待分樣本的d(X) floatx[3];x[0]=band1;x[1]=band2;x[2]=band3;inti,j; for(i=0;i<3;i++) x[i]-=m[i];floatd[3]; for(i=0;i<3;i++) {d[i]=0; for(j=0;j<3;j++) d[i]+=(x[i]*c[j][i]); } doubleq=0; for(i=0;i<3;i++)q+=x[i]*d[i]; q=(-0.5)*q+a; q=exp(q); returnq;}intclassify(floatp1,floatp2,floatp3,floatp4)//根據(jù)后驗概率將像元歸為指定類別{floatp[4];p[0]=p1;p[1]=p2;p[2]=p3;p[3]=p4;inti,k=0;floatmax=p[0];for(i=1;i<4;i++)if(max<p[i]) {max=p[i]; k=i; }k++;returnk;}voidtesting(){ doublep1,p2,p3,p4,p5,p6,p7; floatkappa(intk[4][4]);inti,j; for(i=0;i<240;i++) { p1=identify(m1,c1,a1,test[i][3],test[i][4],test[i][5]);p2=identify(m2,c2,a2,test[i][3],test[i][4],test[i][5]); p3=identify(m3,c3,a3,test[i][3],test[i][4],test[i][5]);p4=identify(m4,c4,a4,test[i][3],test[i][4],test[i][5]);p5=identify(m5,c5,a5,test[i][3],test[i][4],test[i][5]);p6=identify(m6,c6,a6,test[i][3],test[i][4],test[i][5]);p7=identify(m7,c7,a7,test[i][3],test[i][4],test[i][5]); doubledx=p1+p2+p3+p4+p5+p6+p7; p1=p1/dx;p2=p2/dx; p3=p3/dx;p4=p4/dx;p5=p5/dx;p6=p6/dx;p7=p7/dx; test[i][7]=p1; test[i][8]=p2; test[i][9]=p3; test[i][10]=p4;test[i][11]=p5;test[i][12]=p6;test[i][113]=p7; test[i][6]=classify(p1,p2,p3,p4,p5,p6,p7); //cout<<setiosflags(ios::fixed)<<setprecision(3)<<p1<<""<<p2<<""<<p3<<""<<p4<<""<<p5<<""<<p6<<""<<p7<<endl; } for(i=0;i<7;i++) for(j=0;j<7;j++) q[i][j]=0;for(i=0;i<60;i++)//混淆矩陣中的各類別組合數(shù)量 { if(test[i][2]==1&&test[i][6]==1)q[0][0]++; if(test[i][2]==1&&test[i][6]==2)q[0][1]++; if(test[i][2]==1&&test[i][6]==3)q[0][2]++; if(test[i][2]==1&&test[i][6]==4)q[0][3]++;if(test[i][2]==1&&test[i][6]==4)q[0][4]++;if(test[i][2]==1&&test[i][6]==4)q[0][5]++;if(test[i][2]==1&&test[i][6]==4)q[0][6]++; }for(i=60;i<120;i++) { if(test[i][2]==2&&test[i][6]==1)q[1][0]++; if(test[i][2]==2&&test[i][6]==2)q[1][1]++; if(test[i][2]==2&&test[i][6]==3)q[1][2]++; if(test[i][2]==2&&test[i][6]==4)q[1][3]++;if(test[i][2]==2&&test[i][6]==4)q[1][4]++;if(test[i][2]==2&&test[i][6]==4)q[1][5]++;if(test[i][2]==2&&test[i][6]==4)q[1][6]++; } for(i=120;i<180;i++) { if(test[i][2]==3&&test[i][6]==1)q[2][0]++; if(test[i][2]==3&&test[i][6]==2)q[2][1]++; if(test[i][2]==3&&test[i][6]==3)q[2][2]++; if(test[i][2]==3&&test[i][6]==4)q[2][3]++;if(test[i][2]==3&&test[i][6]==4)q[2][4]++;if(test[i][2]==3&&test[i][6]==4)q[2][5]++;if(test[i][2]==3&&test[i][6]==4)q[2][6]++; } for(i=180;i<240;i++) { if(test[i][2]==4&&test[i][6]==1)q[3][0]++; if(test[i][2]==4&&test[i][6]==2)q[3][1]++; if(test[i][2]==4&&test[i][6]==3)q[3][2]++; if(test[i][2]==4&&test[i][6]==4)q[3][3]++;if(test[i][2]==3&&test[i][6]==4)q[3][4]++;if(test[i][2]==3&&test[i][6]==4)q[3][5]++;if(test[i][2]==3&&test[i][6]==4)q[3][6]++;}qq1=(float)q[0][0]/60.0;qq2=(float)q[1][1]/60.0;qq3=(float)q[2][2]/60.0;qq4=(float)q[3][3]/60.0;qq5=(float)q[4][3]/60.0;qq6=(float)q[5][3]/60.0;qq7=(float)q[6][3]/60.0;qq=(qq1+qq2+qq3+qq4+qq5+qq6+qq7)/4; qq=qq*100;k=kappa(q);// cout<<"1代表'房頂'，2代表'街道'，3代表'小路'，4代表'草地'，5代表'樹木'，6代表'水體'，7代表'陰影'"<<endl;// cout<<"正確分類百分比分別為：";//cout<<qq1<<""<<qq2<<""<<qq3<<""<<qq4<<""<<qq5<<""<<qq6<<""<<qq7<<endl;//cout<<"總分類精度:"<<setprecision(2)<<qq<<"%"<<endl;// cout<<"Kappa值為:"<<setprecision(2)<<k<<"%"<<endl;}voidoutput(char*filename){ofstreamoutfile(filename,ios::out);if(outfile==0){cout<<"openoutfileerror!"<<endl;exit(1);}outfile<<"1代表'房頂'，2代表'街道'，3代表'小路'，4代表'草地'，5代表'樹木'，6代表'水體'，7代表'陰影'"<<endl;outfile<<"正確分類百分比分別為：";outfile<<setprecision(3)<<qq1<<""<<qq2<<""<<qq3<<""<<qq4<<endl;outfile<<"總分類精度:"<<setprecision(4)<<qq<<"%"<<endl;outfile<<"row"<<"col"<<"before"<<"after"<<"proba1"<<"proba2"<<"proba3"<<"proba4"<<endl;inti;for(i=0;i<240;i++){ outfile<<setiosflags(ios::fixed)<<setprecision(0)<<test[i][0]<<""<<test[i][1]<<""<<test[i][2]<<""<<test[i][6]<<"";outfile<<setiosflags(ios::fixed)<<setprecision(3)<<test[i][7]<<""<<test[i][8]<<""<<test[i][9]<<""<<test[i][10]<<endl;} outfile.close();}voidgauss(intf,floatn[3][3]){inti,j,k;floatp,q,h[3];for(k=f-1;k>=0;k--) {p=n[0][0];for(i=1;i<f;i++) {q=n[i][0]; h[i]=((i>k)?q:-q)/p; for(j=1;j<=i;j++) n[i-1][j-1]=n[i][j]+q*h[j];}n[f-1][f-1]=1/p;for(i=1;i<f;i++) n[f-1][i-1]=h[i]; }for(i=1;i<f;i++)for(j=0;j<i;j++)n[j][i]=n[i][j];}floatkappa(intk[4][4]){ inti,j; floatK; intc[4],d[4];intN=0,M=0,D=0; for(i=0;i<4;i++) { c[i]=0; d[i]=0; } for(i=0;i<4;i++) for(j=0;j<4;j++) { N+=k[i][j]; if(i==j)D=D+k[i][j]; c[i]=k[i][j]+c[i]; d[j]=k[i][j]+d[j]; } for(i=0;i<4;i++) M=c[i]*d[i]+M; K=float((N*D-M))/(N*N-M); returnK;}voidaccuracy(floatp[4][4]){ inta[4],b[4]; floata1[4],a2[4],b1[4],b2[4]; inti,j; for(i=0;i<4;i++) { a[i]=0;b[i]=0; a1[i]=0;b1[i]=0; a2[i]=0;b2[i]=0; } for(i=0;i<4;i++) for(j=0;j<4;j++) { p[i][j]=0; a[i]+=q[i][j]; b[i]+=q[j][i]; } for(i=0;i<4;i++) { a1[i]=(float)q[i][i]/a[i]; a2[i]=1-a1[i]; b1[i]=(float)q[i][i]/b[i]; b2[i]=1-b1[i]; }for(i=0;i<4;i++) { p[i][0]=a1[i]*100;//生產(chǎn)者精度 p[i][1]=a2[i]*100;//漏分誤差 p[i][2]=b1[i]*100;//用戶精度 p[i][3]=b2[i]*100;//錯分誤差 }}voidoutput1(char*filename){ ofstreamoutfile(filename,ios::out);if(outfile==0){cout<<"openoutfileerror!"<<endl;exit(1);}outfile<<"Lakes"<<"Built-upLand"<<"ForestLand"<<"Cropland"<<endl;inti,j;for(i=0;i<4;i++){ switch(i) { case0: outfile<<"Lakes";break; case1: outfile<<"Built-upLand";break; case2: outfile<<"ForestLand";break; case3: outfile<<"Cropland";break; } for(j=0;j<4;j++) { outfile<<setiosflags(ios::left)<<setw(7)<<q[i][j]<<""; if(j!=0&&j%3==0)outfile<<endl; } }outfile<<endl;outfile<<endl;outfile<<endl;outfile<<""<<setw(11)<<"Producer's"<<setw(11)<<"Omission"<<"User's"<<"Commision"<<endl; for(i=0;i<4;i++) { switch(i) { case0: outfile<<"Lakes";break; case1: outfile<<"Built-upLand";break; case2: outfile<<"ForestLand";break; case3: outfile<<"Cropland";break; } for(j=0;j<4;j++) { outfile<<""<<setiosflags(ios::fixed)<<setprecision(2)<<setw(4)<<a[i][j]<<"%"<<""; if(j!=0&&j%3==0)outfile<<endl; } } outfile<<endl; outfile<<endl; outfile<<""<<"總分類精度:"<<setprecision(2)<<qq<<"%"<<endl; outfile<<""<<"Kappa系數(shù):"<<setprecision(3)<<k<<endl; outfile.close();}2.3最大釋然分類算法的執(zhí)行在貝葉斯分類器中執(zhí)行以上代碼，得到的監(jiān)視分類圖如下所示：圖三監(jiān)視分類圖利用最大釋然分類算法對遙感影像進展監(jiān)視分類，最后將圖像上的地類分為7類，分別是：房頂，街道，小路，草地，樹木，水體和陰影。從處理的圖像來看，分類結果較為很理想，基本上可以識別出這7類地物。非監(jiān)視分類非監(jiān)視分類的原理非監(jiān)視分類是以不同影像地物在特征空間中類別特征的差異為依據(jù)的一種無先驗〔〕類別標準的圖像分類，是以集群為理論基礎，通過計算機對圖像進展集聚統(tǒng)計分析的方法。根據(jù)待分類樣本特征參數(shù)的統(tǒng)計特征，建立決策規(guī)則來進展分類。而不需事先知道類別特征。把各樣本的空間分布按其相似性分割或合并成一群集，每一群集代表的地物類別，需經(jīng)實地調(diào)查或與類型的地物加以比較才能確定。常用的非監(jiān)視分類算法有：K-均值〔K-Means〕算法和迭代自組織數(shù)據(jù)分析技術〔ISODATA〕。本文使用ISODATA算法對遙感影像進展非監(jiān)視分類。ISODATA是一種模糊迭代自組織數(shù)據(jù)分析算法,采用樣本修正法調(diào)整樣本所屬類別來完成樣本的聚類分析。它是一種非監(jiān)視分類方法,可以自動的分類合并到達合理的分類數(shù),兼顧了各空間實體之間相關信息,各個區(qū)域中特征的非均勻性可包含在初始圖像分割處理中,且可以形成原始圖像的特征空間,而不會像硬分割那樣產(chǎn)生偏倚。ISODATA算法的調(diào)試#include"stdafx.h"#include"stdio.h"#include"math.h"#defineN10#defineeps0.00001structPointf{ intsequence; floatx; floaty;};structPointZ{ floatx; floaty;};floatCalDistancef(Pointfx1,Pointfx2){ returnsqrtf((x1.x-x2.x)*(x1.x-x2.x)+(x1.y-x2.y)*(x1.y-x2.y));}floatCalDistanceZ(PointZx1,PointZx2){ returnsqrtf((x1.x-x2.x)*(x1.x-x2.x)+(x1.y-x2.y)*(x1.y-x2.y));}floatCalDistancefZ(Pointfx1,PointZx2){ returnsqrtf((x1.x-x2.x)*(x1.x-x2.x)+(x1.y-x2.y)*(x1.y-x2.y));}intmain(intargc,char*argv[]){ Pointfpts[N]={ {0,0.0,0.0},{1,3.0,8.0},{2,2.0,2.0},{3,1.0,1.0},{4,5.0,3.0}, {5,4.0,8.0},{6,6.0,3.0},{7,5.0,4.0},{8,6.0,4.0},{9,7.0,5.0}, }; inti,j,m; printf("樣本集為:\n"); for(i=0;i<N;i++) { printf("X%d(%.1f,%.1f)",i,pts[i].x,pts[i].y); if((i+1)%5==0) { printf("\n"); } } printf("\n"); printf("\n"); intNc=0; printf("pleaseinputNc(0-10):"); scanf("%d",&Nc); intZ[N]; for(i=0;i<Nc;i++) { printf("輸入初始第%d聚類中心的序號(0-9):",i); scanf("%d",&Z[i]); }intNj[N];//記錄每個類中元素的個數(shù) PointZZArray[N]; PointfSAArray[N][N]; floatDjAv[N]; floatDeltaj[N][2]; floatDeltajmax[N]; intDeltajmaxCor[N]; floatDAv; intNreal=N; intcount=0; floatDij[N*N/2]; intDiji[N]; intDijj[N]; intq=0; intp=0;floatft; intit; intjt; intflag; intss=0; PointZZtp; PointZZArraytp[N]; intNctp; charch; intcur=0; for(i=0;i<N;i++) { Nj[i]=0; } //聚類中心的特征值 for(i=0;i<Nc;i++) { intihere=Z[i]; ZArray[i].x=pts[ihere].x; ZArray[i].y=pts[ihere].y; } intK,ThetaN; floatThetaS,ThetaC; intL,I;Step1: printf("輸入預期聚類中心數(shù)目K:"); scanf("%d",&K); printf("輸入每個聚類域中最少的樣本數(shù)ThetaN:"); scanf("%d",&ThetaN); printf("輸入同一聚類域中樣本標準差的最大值:"); scanf("%f",&ThetaS); printf("輸入不同聚類域距離最小值:"); scanf("%f",&ThetaC); printf("輸入一次可以合并的聚類中心的最多對數(shù):"); scanf("%d",&L); printf("輸入最大迭代次數(shù):"); scanf("%d",&I);Step2: for(i=0;i<Nc;i++) { Nj[i]=0; } printf("\n"); printf("這是第%d次歸類\n",count+1); for(i=0;i<N;i++)//將模式樣本歸類 { if(pts[i].sequence==-1)continue;//假設該點的序號為－1則說明它是被剔除的 floatdis=1.0e+10; intxx=0; floatftemp; for(j=0;j<Nc;j++) { ftemp=CalDistancefZ(pts[i],ZArray[j]); if(ftemp<dis||fabs(dis-ftemp)<eps) { xx=j; dis=ftemp; } } SAArray[xx][Nj[xx]].x=pts[i].x; SAArray[xx][Nj[xx]].y=pts[i].y; SAArray[xx][Nj[xx]].sequence=pts[i].sequence; Nj[xx]=Nj[xx]+1; } for(i=0;i<Nc;i++) { printf("第%d個聚類中心是:(%.2f,%.2f)",i,ZArray[i].x,ZArray[i].y); printf("包含的元素有:",i); for(j=0;j<Nj[i];j++) { printf("X%d",SAArray[i][j].sequence); } printf("\n"); //printf("Nj(%d)is%d\n",i,Nj[i]); } count++;Step3: for(j=0;j<Nc;j++)//是否可以去掉一些數(shù)據(jù) { if(Nj[j]<ThetaN) { for(i=0;i<Nj[j];i++) { pts[SAArray[j][i].sequence].sequence=-1; } i=j; inttr=j; Nreal-=Nj[j]; while(j<Nc-1) { for(m=0;m<Nj[j+1];m++) { SAArray[j][m].x=SAArray[j+1][m].x; SAArray[j][m].y=SAArray[j+1][m].y; SAArray[j][m].sequence=SAArray[j+1][m].sequence; } j++; } while(i<Nc-1) { Nj[i]=Nj[i+1]; i++; } Nc--; j=tr; } }Step4://修正各聚類中心 for(j=0;j<Nc;j++) { floattemx=0,temy=0; for(i=0;i<Nj[j];i++) { temx+=SAArray[j][i].x; temy+=SAArray[j][i].y; } ZArray[j].x=temx/Nj[j]; ZArray[j].y=temy/Nj[j]; }Step5://計算各聚類域中諸樣本與聚類中心的平均距離 floattemp=0.0; for(j=0;j<Nc;j++) { for(i=0;i<Nj[j];i++) { temp+=CalDistancefZ(SAArray[j][i],ZArray[j]); } DjAv[j]=temp/Nj[j]; temp=0.0; }Step6://計算全部模式樣本對應聚類中心的總平均距離 DAv=0; for(j=0;j<Nc;j++) { DAv+=Nj[j]*DjAv[j]; } DAv/=Nreal;Step7: if(count>=I)gotoStep14; if(Nc<=K/2)gotoStep8; if((count%2==0)||Nc>=2*K)gotoStep11;Step8://計算各聚類中樣本距離標準差 for(j=0;j<Nc;j++) { floattemx=0.0,temy=0.0; for(i=0;i<Nj[j];i++) {temx+=(SAArray[j][i].x-ZArray[j].x)*(SAArray[j][i].x-ZArray[j].x); temy+=(SAArray[j][i].y-ZArray[j].y)*(SAArray[j][i].y-ZArray[j].y); }Deltaj[j][0]=sqrtf(temx/Nj[j]); Deltaj[j][1]=sqrtf(temy/Nj[j]); temx=0.0,temy=0.0; } Step9://求每個標準差向量中的最大分量 for(j=0;j<Nc;j++) { Deltajmax[j]=Deltaj[j][0]>Deltaj[j][1]?Deltaj[j][0]:Deltaj[j][1]; DeltajmaxCor[j]=Deltaj[j][0]>Deltaj[j][1]?0:1; }Step10://分裂判斷和計算 for(j=0;j<Nc;j++) { if(Deltajmax[j]>ThetaS) { if((DjAv[j]>DAv&&Nj[j]>2*(ThetaN+1))||Nc<=K