基于K-means无监督机器学习进行土地分类

下面是对整个K-means无监督分类代码的整合性详细说明，包括每个部分的功能、目的和关键概念，确保对整个流程有一个全面的理解。

代码整体结构

这段代码实现了对GeoTIFF格式卫星影像的无监督K-means分类。主要流程包括读取影像、预处理、应用K-means聚类、可视化分类结果以及保存分类结果为新的GeoTIFF文件。

导入所需库

import rasterio
import numpy as np
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

rasterio：用于读取和写入地理空间栅格数据（如GeoTIFF文件）。
numpy：用于高效的数值计算和数组操作。
KMeans：从sklearn.cluster引入的K-means聚类算法，用于无监督分类。
matplotlib.pyplot：用于绘图和可视化数据。

读取GeoTIFF影像

def read_geotiff(file_path):
    with rasterio.open(file_path) as src:
        img = src.read()  # 读取所有波段
        profile = src.profile  # 获取影像的元数据
    return img, profile

功能：打开指定路径的GeoTIFF文件，读取影像的所有波段和元数据。
输入：file_path，指定GeoTIFF文件的路径。
输出：返回影像数据img（三维数组，形状为(bands, rows, cols)）和影像的元数据profile。

预处理影像

def preprocess_image(img):
    bands, rows, cols = img.shape
    X = img.reshape(bands, rows * cols).T  # 转换为 (样本数, 特征数) 的形状
    return X, rows, cols

功能：将多波段影像数据转换为适合K-means算法处理的二维数组。
输入：img，读取的影像数据。
输出：返回重塑后的数据X（形状为(样本数, 特征数)）、行数rows和列数cols。

K-means分类

def kmeans_classification(X, n_clusters=5):
    kmeans = KMeans(n_clusters=n_clusters, random_state=42)
    kmeans.fit(X)
    return kmeans.labels_

功能：使用K-means算法对处理后的数据进行无监督分类。
输入：X（处理后的二维数组）和聚类类别数n_clusters（默认为5）。
输出：返回每个样本的类别标签labels，指示该像素所属的聚类。

重塑分类结果

def reshape_classification(labels, rows, cols):
    return labels.reshape(rows, cols)

功能：将一维的聚类标签数组重塑回与原始图像相同的二维形状。
输入：labels（聚类结果），rows和cols（影像的行数和列数）。
输出：返回重塑后的分类图像classified_img。

主函数

def main():
    file_path = "path/to/your/satellite_image.tif"  # 替换为你的GeoTIFF文件路径

    # 读取影像和预处理
    img, profile = read_geotiff(file_path)
    X, rows, cols = preprocess_image(img)
    
    # 设置聚类类别数
    n_clusters = 5  # 假设分为5类，可以根据实际情况调整

    # 使用K-means进行分类
    labels = kmeans_classification(X, n_clusters)
    
    # 重塑分类结果
    classified_img = reshape_classification(labels, rows, cols)

    # 可视化结果
    plt.figure(figsize=(10, 6))
    plt.imshow(classified_img, cmap="tab20")  # 使用tab20颜色表，区分不同类别
    plt.title("Unsupervised Land Use Classification (K-means)")
    plt.colorbar(label='Class ID')  # 添加颜色条，用于显示类别ID
    plt.show()

    # 如果需要保存分类结果为新的GeoTIFF文件，可以使用以下代码
    output_file_path = "path/to/output_classified_image.tif"  # 替换为你希望保存的路径
    with rasterio.open(output_file_path, 'w', **profile) as dst:
        dst.write(classified_img.astype(rasterio.uint8), 1)  # 保存为单波段影像

详细说明

设置文件路径：
- file_path：指定待处理的GeoTIFF影像文件的路径，用户需根据自己的文件位置进行替换。
读取影像和预处理：
- 调用read_geotiff函数读取影像数据和元数据，调用preprocess_image函数将影像数据重塑为二维数组。
设置聚类类别数：
- n_clusters：指定K-means聚类的类别数量（默认为5）。用户可以根据影像特征和分析需求进行调整。
使用K-means进行分类：
- 调用kmeans_classification函数，传入处理后的数据和类别数量，获取每个像素的聚类标签。
重塑分类结果：
- 使用reshape_classification函数将聚类标签重塑回与原始影像相同的二维形状，以便于后续的可视化。
可视化分类结果：
- 使用matplotlib绘制分类图像，设置图像大小、标题、颜色表和颜色条，以便用户直观地查看分类结果。
保存分类结果：
- 如果需要，用户可以将分类结果保存为新的GeoTIFF文件，指定输出文件路径，并使用rasterio将分类结果写入文件。