上一篇Matlab K-means聚類算法對多光譜遙感圖像進行分類（一）中，自編K-means函數運行時間長，是因爲程序中Kmeans_of_muldim（）函數中使用了逐像元循環，用了139秒，下面對逐像元循環進行改進，把數據reshape爲列向量，以整體進行運算。
function：MKmeans_of_muldim（）
(注：muldim = multiple dimensions)
function [new_class_label] = MKmeans_of_muldim(data,k,change_threshold,iteration)
% 功能：實現多光譜遙感數據非監督分類算法之K-means聚類算法
% 優化了循環體，使矩陣運算速度加快
%Author: Mr. BAI
% 輸入：data是s*fl*b的矩陣，s爲列數（sample），fl爲行數（fileline），b爲波段數（band）；
% k 爲類別數,如果有背景值，背景值會歸到某一地類中去，到時再用矢量邊界圖形裁剪一下即可。我考慮過將出現次數最多
% 的背景值單獨劃歸一類，但是程序設計時不好判斷，取數組中元素出現次數最多的像元爲一類，有點大膽，因爲無背
% 景的圖像像元值也可能出現這種情況；
% change_threshold變化閾值，ENVI中默認爲0.05；
% iteration爲最大迭代次數，ENVI中默認爲1，實驗發現爲3的時候基本就實現變化閾值小於0.05了。
% 輸出：new_class_label爲聚類後的矩陣，賦予每個行列號一個類別標籤，之後可在GIS或者ENVI中出圖
% Reference：https://www.cnblogs.com/dongteng/p/5415071.html
[fl,s,b] = size(data);
tfl = fl*s;
dat = zeros(tfl,b);
for i=1:b
dat(:,i) = reshape(data(:,:,i),tfl,1);
end
%original_seed爲迭代前的種子，存放一個k行，b個波段數值列的數組
old_seed = zeros(k,b);
%newseed爲迭代後的新種子，存放一個k行，b個波段數值列的數組
new_seed = zeros(k,b);
%-------------------------------------------------------------------------------------------------
% 產生k個隨機種子作爲遙感圖像各地物類別的種子像元
%-------------------------------------------------------------------------------------------------
index_record = zeros(1,k);
for i = 1:k
index_i = round(rand()*tfl);
judge = find(index_record == index_i);
%如果已經有這個值了，那麼重新循環取值
if isempty(judge) == 0
i = i-1;
continue;
end
index_record(i) = index_i;
%計算取到的隨機值對應圖像的行列號
fl_index = floor(index_i/s);%行號
sample_index = index_i - fl_index*s;%列號
%將該種子像元的b個波段值存入
old_seed(i,:) = data(fl_index,sample_index,:);
end
%--------------------------------------------------------------------------------------
% 下面進行迭代，如果本次分別所有類新得到的像元數目變化在change_threshold內，則認爲分類完畢。
%--------------------------------------------------------------------------------------
n = 1;
new_class_label = zeros(tfl,1);%改進的地方
while n
distance_matrix = zeros(tfl,k);
for kind = 1:k
sum = 0;
for i=1:b
temp = power(abs(dat(:,i)-old_seed(kind,i)),2);
sum = sum+temp;
end
%每個像元與初始7個類別中心的歐式距離
ou_distance = sqrt(sum);%sum數組爲tfl行，1列數據,存放了圖像所有像元與第kind類中心的歐式距離
%size(ou_distance)
distance_matrix(:,kind) = ou_distance;
end
%給給各類別賦值類別標註
[M,I] = min(distance_matrix,[],2);%行取最小值，並返回最小值在該行的列標，即爲距離最小所在的類別
new_class_label = I;
%計算新的各類別中心
for i=1:k
id = find(new_class_label==i);
for j=1:b
temp1 = dat(id,j);
new_seed(i,j)= mean(temp1);
end
end
new_class_pixcel_number = zeros(1,k);
for i=1:k
new_class_pixcel_number(i) = length(find(new_class_label==i));
end
%Change threshold:0.05
if n == 1
old_class_pixcel_number = ones(1,k);
end
%size(new_class_pixcel_number)
if max(abs((new_class_pixcel_number-old_class_pixcel_number)./old_class_pixcel_number)) < change_threshold || n>iteration
new_class_label = reshape(new_class_label,fl,s);
break;
end
n=n+1;
if max(abs((new_class_pixcel_number-old_class_pixcel_number)./old_class_pixcel_number)) >change_threshold
%old_class_label = new_class_label;
old_class_pixcel_number = new_class_pixcel_number;
old_seed = new_seed;
continue;
end
end
end
main函數
clc;
clear;
t0 = cputime;
cd 'E:\MATLAB\'
data=imread('nantong_city_landsat8.tif');%讀取純數據
[multi_data,r]=geotiffread('nantong_city_landsat8.tif'); % read the geo information
info=geotiffinfo('nantong_city_landsat8.tif'); % read the geo information
class_result = MKmeans_of_muldim(data,5,0.05,30);
geotiffwrite('MK-means_class.tif',class_result,r,'GeoKeyDirectoryTag',info.GeoTIFFTags.GeoKeyDirectoryTag);
figure, imshow(label2rgb(class_result)) % 顯示分割結果
title('MKmeans of muldim聚類結果');
t1 = cputime;
during = t1 - t0;
disp('耗時：');
disp(during);
改進後，耗時：
速度飛起！
耗時：
14.328125
而使用kmeans（）matlab自帶函數耗時：
耗時：
38.796875
結果圖展示
MKmeans_of_muldim（）
kmeans（）matlab自帶函數結果圖
效果一模一樣，說明只要迭代次數達到一定程度，對於多光譜遙感圖像，二者效果是相當的。但改進版速度更快，可以填寫變化閾值及迭代次數，靈活調整。