动态聚类的分类步骤

1、建立初始中心

初始中心也叫“种子”，是在程序开始时选定几个均值向量作为假定的类中心,并不一定是真正的类中心，而且其数目也不一定是真正的类别数。

2、计算距离并对图像进行分类

选定了类中心后，就要计算每个像元到各个类中心的距离,并用一判据准则(如最小距离准则)把像元划归不同类别。

3、计算各种统计量

包括计算各类均值向量、各变量的均方差、各类间的标准化距离J-M距离，以及计算各类均值与原中心之间的最大相对偏差。

4、修改中心

当某一类某个变量的相对偏差大于规定精度时，就修改中心。这时用当前的各类均值向量代替前一次的各类中心，并转向步骤2。这样继续下去，直到

各类中心位移小于给定的偏差國值(即控制精度)为止。

5、分裂与合并

主要根据规定的参数(阈值)来检查前一次循环中归类的结果，决定进行分裂,合并或取消某些类,之后再重新转向步骤2。

若已有的类数小于参数(预期的类数) ,则进行再分裂:若某一类的像元数大于参数,或者其均方差大于参数，则该类就要分裂。

当两类之间的统计距离小于规定的阅值，或者是类的数目超过了规定的最大分类数,或者某一类中像元数目太少,小于规定的阈值时，就应该合并相应的类别。

6、输出分类结果

当动态聚类结果满足一定的条件时，聚类循环终止。然后输出分类图像及分类统计文件，包括各类均值向量、均方差向量、各类像元数、各类间距离矩阵等等。