CN109255365B - 一种基于K-medoids算法的地理适宜性分类方法 - Google Patents

Abstract

本发明涉及一种基于K‑medoids算法的地理适宜性分类方法，利用K‑medoids聚类算法，针对目标区域由地理适宜性分析所获适宜性综合得分图进行预设分位法初始分类，确定聚类算法的先验聚类标准，使得K‑medoids聚类算法能够自适应地在预设分位法初始分类的综合得分结果图上，进一步进行适宜性划分，分类出各个预设适宜度划分标准的各类区域，有效削弱样本像素值的异常值的影响，提高了适宜性划分的精度，并清楚地发现不同类别的特征，极大程度上提高了地理适宜性划分的精度。

Description

一种基于K-medoids算法的地理适宜性分类方法

技术领域

本发明涉及一种基于K-medoids算法的地理适宜性分类方法，属于地理适宜性分类领域和数据挖掘技术领域。

背景技术

地理适宜性分析一直在规划应用中起着基础性作用，地理适宜性分析中，由众多单一指标适宜性等级图合并后得到的适宜性综合得分图，需要对该适宜性综合得分图进行进一步地适宜性等级划分。现有的适宜性等级划分方法依赖专家评价法或技术人员的经验较多，具有主观性。K-medoids算法作为K-means聚类算法的改进，可以将大量数据集中具有“相似”特征的像素点划分至同一个类别中，同时k-means聚类算法对于数据样本的要求较高，要求所有数据样本处在一个欧式空间中，对于有很多噪声的数据就会造成极大的误差，其次对于非数值型数据样本，不能够计算平均值等实数型变量。

发明内容

本发明所要解决的技术问题是提供一种可有效削弱样本像素值的异常值影响，提高适宜性划分精度，并能够清楚地发现不同类别特征的基于K-medoids算法的地理适宜性分类方法。

本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于K-medoids算法的地理适宜性分类方法，包括如下步骤：

步骤A.针对基于地理适宜性分析、所获目标区域的地理适宜性综合得分灰度图，采用预设分位数的分位法，进行分类操作，将地理适宜性综合得分灰度图中的各像素点划分至预设分位数个地理适宜性类别当中，然后进入步骤B；

步骤B.初始化获得各地理适宜性类别分别所对应的聚类中心，并分别定义为各地理适宜性类别的初级聚类中心，进入步骤C；

步骤C.基于各地理适宜性类别的初级聚类中心，完成针对地理适宜性综合得分灰度图中所有像素点的聚类操作，获得各个地理适宜性聚类，然后进入步骤D；

步骤D.分别更新获得各个地理适宜性聚类的新聚类中心，并进入步骤E；

步骤E.判断各地理适宜性聚类的新聚类中心与初级聚类中心是否均一致，是则完成目标区域的地理适宜性分类，获得目标区域所对应的各个地理适宜性聚类；否则分别针对各个地理适宜性聚类，用新聚类中心更新其初级聚类中心，然后返回步骤C。

作为本发明的一种优选技术方案：所述步骤A中，基于采用预设分位数的分位法进行分类操作，将地理适宜性综合得分灰度图中的各像素点划分至预设分位数个地理适宜性类别当中，还包括基于分位法中由大至小的各分位位置顺序，针对各地理适宜性类别进行排序；

还包括步骤F如下，所述步骤E中，判断各地理适宜性聚类的新聚类中心与初级聚类中心是否均一致，是则完成目标区域的地理适宜性分类，获得目标区域所对应的各个地理适宜性聚类，并进入步骤F；

步骤F.基于各地理适宜性类别的排序，结合各个地理适宜性聚类中像素点的个数，实现目标区域所对应各个地理适宜性聚类的重分类。

作为本发明的一种优选技术方案，所述步骤F包括如下步骤：

步骤F1.针对目标区域所对应的各个地理适宜性聚类，基于分位法中由大至小的各分位位置顺序，进行排序，获得各个地理适宜性聚类的排序，然后进入步骤F2；

步骤F2.基于各地理适宜性类别的排序，针对各个地理适宜性聚类的排序，按序构建各地理适宜性类别与各地理适宜性聚类的一一对应关系，进而生成目标区域所对应的地理适宜性结果图。

作为本发明的一种优选技术方案，所述步骤A中，基于各地理适宜性类别的排序，还包括如下操作：

顺序依次分别针对各地理适宜性类别，针对地理适宜性类别中所包含的各像素点的灰度值，均扩大该地理适宜性类别所对应的预设增量值，实现目标区域地理适宜性综合得分灰度图中各像素点灰度值的更新；其中，依照各地理适宜性类别的排序，各地理适宜性类别分别所对应的预设增量值依次减小。

作为本发明的一种优选技术方案，所述步骤A中，针对基于地理适宜性分析、所获目标区域的地理适宜性综合得分灰度图，采用预设分位数的分位法，进行分类操作，将地理适宜性综合得分灰度图中的各像素点划分至预设分位数个地理适宜性类别当中，包括如下步骤：

步骤A1.针对基于地理适宜性分析、所获目标区域的地理适宜性综合得分灰度图，分别针对其中各个像素点，按如下公式，执行Z_Score标准化操作；

F(x)＝(f(x)-μ)/σ

更新地理适宜性综合得分灰度图中各像素点的灰度值，然后进入步骤A2；其中，f(x)表示地理适宜性综合得分灰度图中像素点x的灰度值，F(x)表示地理适宜性综合得分灰度图中像素点x经Z_Score标准化操作后灰度值，μ表示地理适宜性综合得分灰度图中所有像素点灰度值的平均值，σ表示地理适宜性综合得分灰度图中所有像素点灰度值的标准差；

步骤A2.针对地理适宜性综合得分灰度图中各像素点，按其灰度值，由小至大进行排序，并获得最大灰度值像素点、以及最小灰度值像素点，同时，基于像素点排序，获得其中第1预设分位数位置Q₁、…、第N-1预设分位数位置Q_N-1，然后进入步骤A3，其中，N表示预设分位数；其中，由高至低的各分位数位置与适应性由高至低的各地理适宜性类别、顺序一一对应；

步骤A3.针对预设分位数个地理适宜性类别，基于分位法中由大至小的各分位位置顺序，进行排序，获得各地理适宜性类别的排序，并进入步骤A4；

步骤A4.根据第1预设分位数位置Q₁、…、第N-1预设分位数位置Q_N-1、以及最小灰度值像素点和最大灰度值像素点，针对地理适宜性综合得分灰度图中像素点的排序，依序划分为预设分位数个部分，并依序构建该各部分分别与排序的各地理适宜性类别之间的一一对应关系，实现将地理适宜性综合得分灰度图中的各像素点划分至预设分位数个地理适宜性类别当中。

作为本发明的一种优选技术方案，所述步骤B中，初始化获得各地理适宜性类别分别所对应的聚类中心，包括如下操作：

分别针对各地理适宜性类别，由类别所对应的各像素点中，随机选取一个像素点，初始化为该类别的聚类中心，实现各地理适宜性类别分别所对应聚类中心的初始化获得。

作为本发明的一种优选技术方案，所述步骤C中，包括如下操作：

分别针对地理适宜性综合得分灰度图中的各个像素点，基于像素点分别到各地理适宜性类别初级聚类中心的距离，将该像素点划分至最短距离所对应初级聚类中心的地理适宜性类别当中，完成地理适宜性综合得分灰度图像素点的聚类操作。

作为本发明的一种优选技术方案，所述步骤C中，分别针对地理适宜性综合得分灰度图中的各个像素点，按如下公式：

获得像素点分别到各地理适宜性类别初级聚类中心的距离，其中，F(x)_k表示地理适宜性综合得分灰度图中、像素点x对应所在空间坐标系中第k维的灰度值；y表示地理适宜性综合得分灰度图中的初级聚类中心，F(y)表示地理适宜性综合得分灰度图中、初级聚类中心y对应所在空间坐标系中第k维的灰度值，Distance(F(x),F(y))表示地理适宜性综合得分灰度图中像素点x到初级聚类中心y的距离，K表示地理适宜性综合得分灰度图所对应的空间坐标系维度。

作为本发明的一种优选技术方案，所述步骤D中，分别针对各个地理适宜性聚类，执行如下步骤D1至步骤D2，更新获得地理适宜性聚类的新聚类中心，进而分别更新获得各个地理适宜性聚类的新聚类中心；

步骤D1.分别针对地理适宜性聚类C中、除初级聚类中心以外的各个像素点q，按如公式：

E_q＝∑_p∈C,p≠q|F(p)-F(q)|

获得像素点q所对应的准则函数值E_q，然后进入步骤D2；其中，q表示地理适宜性聚类C中、除初级聚类中心以外的像素点，p表示地理适宜性聚类C中、除像素点q以外的像素点，F(p)表示像素点p的灰度值，F(q)表示像素点q的灰度值；

步骤D2.获得地理适宜性聚类C中、除初级聚类中心以外各个像素点q中，最小准则函数值所对应的像素点，更新作为地理适宜性聚类C的新聚类中心。

本发明所述一种基于K-medoids算法的地理适宜性分类方法采用以上技术方案与现有技术相比，具有以下技术效果：

本发明所设计一种基于K-medoids算法的地理适宜性分类方法，利用K-medoids聚类算法，针对目标区域由地理适宜性分析所获适宜性综合得分图进行预设分位法初始分类，确定聚类算法的先验聚类标准，使得K-medoids聚类算法能够自适应地在预设分位法初始分类的综合得分结果图上，进一步进行适宜性划分，分类出各个预设适宜度划分标准的各类区域，有效削弱样本像素值的异常值的影响，提高了适宜性划分的精度，并清楚地发现不同类别的特征，极大程度上提高了地理适宜性划分的精度。

附图说明

图1是本发明设计基于K-medoids算法的地理适宜性分类方法的流程示意图；

图2是应用本发明设计基于K-medoids算法的地理适宜性分类方法中实施例原始适宜性综合得分图像示意图；

图3是应用本发明设计基于K-medoids算法的地理适宜性分类方法中地理适宜性分类的聚类结果图。

具体实施方式

下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。

如图1所示，本发明设计了一种基于K-medoids算法的地理适宜性分类方法，包括如下步骤：

步骤A.采用如下步骤A1至步骤A4，针对基于地理适宜性分析、所获目标区域的地理适宜性综合得分灰度图，采用预设分位数的分位法，进行分类操作，将地理适宜性综合得分灰度图中的各像素点划分至预设分位数个地理适宜性类别当中。

步骤A1.针对基于地理适宜性分析、所获目标区域的地理适宜性综合得分灰度图，分别针对其中各个像素点，按如下公式，执行Z_Score标准化操作；

F(x)＝(f(x)-μ)/σ

更新地理适宜性综合得分灰度图中各像素点的灰度值，然后进入步骤A2；其中，f(x)表示地理适宜性综合得分灰度图中像素点x的灰度值，F(x)表示地理适宜性综合得分灰度图中像素点x经Z_Score标准化操作后灰度值，μ表示地理适宜性综合得分灰度图中所有像素点灰度值的平均值，σ表示地理适宜性综合得分灰度图中所有像素点灰度值的标准差。

步骤A2.针对地理适宜性综合得分灰度图中各像素点，按其灰度值，由小至大进行排序，并获得最大灰度值像素点、以及最小灰度值像素点，同时，基于像素点排序，获得其中第1预设分位数位置Q₁、…、第N-1预设分位数位置Q_N-1，然后进入步骤A3，其中，N表示预设分位数；其中，由高至低的各分位数位置与适应性由高至低的各地理适宜性类别、顺序一一对应。

步骤A3.针对预设分位数个地理适宜性类别，基于分位法中由大至小的各分位位置顺序，进行排序，获得各地理适宜性类别的排序，并进入步骤A4。

步骤A4.根据第1预设分位数位置Q₁、…、第N-1预设分位数位置Q_N-1、以及最小灰度值像素点和最大灰度值像素点，针对地理适宜性综合得分灰度图中像素点的排序，依序划分为预设分位数个部分，并依序构建该各部分分别与排序的各地理适宜性类别之间的一一对应关系，实现将地理适宜性综合得分灰度图中的各像素点划分至预设分位数个地理适宜性类别当中。

实际应用中，对于预设分位数的分位法，我们具体可以应用四分位法，则基于最大灰度值像素点Max、以及最小灰度值像素点Min，Q₁是第1四分位数，即所有像素值中有1/4的数小于Q₁；Q₂是第2四分位数，是所有像素值的中位数；Q₃是第3四分位数，所有像素值中有3/4的数小于Q₃，1/4的数大于Q₃，如此，通过Min、Q₁、Q₂、Q₃和Max，针对地理适宜性综合得分灰度图中按灰度值、由小至大进行排序的像素点划分为四类，并针对该四类的地理适宜性类别，同样按由大至小灰度值的排序，依序分别定义为高度适宜性类别、中等适宜性类别、勉强适宜性类别和不适宜性类别。

然后基于分位法中由大至小的各分位位置顺序，针对各地理适宜性类别进行排序，以及进一步基于各地理适宜性类别的排序，顺序依次分别针对各地理适宜性类别，针对地理适宜性类别中所包含的各像素点的灰度值，均扩大该地理适宜性类别所对应的预设增量值，实现目标区域地理适宜性综合得分灰度图中各像素点灰度值的更新；其中，依照各地理适宜性类别的排序，各地理适宜性类别分别所对应的预设增量值依次减小。

然后进入步骤B。

步骤B.分别针对各地理适宜性类别，由类别所对应的各像素点中，随机选取一个像素点，初始化为该类别的聚类中心，实现各地理适宜性类别分别所对应聚类中心的初始化获得，并分别定义为各地理适宜性类别的初级聚类中心，然后进入步骤C。

步骤C.分别针对地理适宜性综合得分灰度图中的各个像素点，按如下公式：

获得像素点分别到各地理适宜性类别初级聚类中心的距离，其中，F(x)_k表示地理适宜性综合得分灰度图中、像素点x对应所在空间坐标系中第k维的灰度值；y表示地理适宜性综合得分灰度图中的初级聚类中心，F(y)表示地理适宜性综合得分灰度图中、初级聚类中心y对应所在空间坐标系中第k维的灰度值，Distance(F(x),F(y))表示地理适宜性综合得分灰度图中像素点x到初级聚类中心y的距离，K表示地理适宜性综合得分灰度图所对应的空间坐标系维度。

基于像素点分别到各地理适宜性类别初级聚类中心的距离，将该像素点划分至最短距离所对应初级聚类中心的地理适宜性类别当中，完成地理适宜性综合得分灰度图像素点的聚类操作，获得各个地理适宜性聚类，然后进入步骤D。

步骤D.分别针对各个地理适宜性聚类，执行如下步骤D1至步骤D2，更新获得地理适宜性聚类的新聚类中心，进而分别更新获得各个地理适宜性聚类的新聚类中心，然后进入步骤E。

步骤D1.分别针对地理适宜性聚类C中、除初级聚类中心以外的各个像素点q，按如公式：

E_q＝∑_p∈C,p≠q|F(p)-F(q)|

获得像素点q所对应的准则函数值E_q，然后进入步骤D2；其中，q表示地理适宜性聚类C中、除初级聚类中心以外的像素点，p表示地理适宜性聚类C中、除像素点q以外的像素点，F(p)表示像素点p的灰度值，F(q)表示像素点q的灰度值。

步骤D2.获得地理适宜性聚类C中、除初级聚类中心以外各个像素点q中，最小准则函数值所对应的像素点，更新作为地理适宜性聚类C的新聚类中心。

步骤E.判断各地理适宜性聚类的新聚类中心与初级聚类中心是否均一致，是则完成目标区域的地理适宜性分类，获得目标区域所对应的各个地理适宜性聚类，并进入步骤F；否则分别针对各个地理适宜性聚类，用新聚类中心更新其初级聚类中心，然后返回步骤C。

步骤F.基于各地理适宜性类别的排序，结合各个地理适宜性聚类中像素点的个数，实现目标区域所对应各个地理适宜性聚类的重分类。

上述步骤F实际应用中，具体包括如下步骤F1至步骤F2：

步骤F1.针对目标区域所对应的各个地理适宜性聚类，基于分位法中由大至小的各分位位置顺序，进行排序，获得各个地理适宜性聚类的排序，然后进入步骤F2。

步骤F2.基于各地理适宜性类别的排序，针对各个地理适宜性聚类的排序，按序构建各地理适宜性类别与各地理适宜性聚类的一一对应关系，进而生成目标区域所对应的地理适宜性结果图。

实际应用中，基于前面所述的四分位法，在针对目标区域，实现高度适宜性类别、中等适宜性类别、勉强适宜性类别和不适宜性类别的重分类，获得相对应的地理适宜性结果图。

将上述所设计基于K-medoids算法的地理适宜性分类方法，应用于实际当中，如图2所示为实施例原始适宜性综合得分图像示意图，在经过本发明设计方法的处理之后，即可获得如图3所示聚类结果图，相比于图2，图3得到的结果，能够更加清晰、直观地显示出各个地理适宜性区域的范围和位置等特征，明确地划定了各个适宜性范围的界限，便于后期的地理地物分析。

综上，本发明所设计一种基于K-medoids算法的地理适宜性分类方法，利用K-medoids聚类算法，针对目标区域由地理适宜性分析所获适宜性综合得分图进行预设分位法初始分类，确定聚类算法的先验聚类标准，使得K-medoids聚类算法能够自适应地在预设分位法初始分类的综合得分结果图上，进一步进行适宜性划分，分类出各个预设适宜度划分标准的各类区域，有效削弱样本像素值的异常值的影响，提高了适宜性划分的精度，并清楚地发现不同类别的特征，极大程度上提高了地理适宜性划分的精度。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (8)

1.一种基于K-medoids算法的地理适宜性分类方法，其特征在于，包括如下步骤：

步骤A.针对基于地理适宜性分析、所获目标区域的地理适宜性综合得分灰度图，采用预设分位数的分位法，进行分类操作，将地理适宜性综合得分灰度图中的各像素点划分至预设分位数个地理适宜性类别当中，然后进入步骤B；

上述步骤A中，针对基于地理适宜性分析、所获目标区域的地理适宜性综合得分灰度图，采用预设分位数的分位法，进行分类操作，将地理适宜性综合得分灰度图中的各像素点划分至预设分位数个地理适宜性类别当中，包括如下步骤：

步骤A1.针对基于地理适宜性分析、所获目标区域的地理适宜性综合得分灰度图，分别针对其中各个像素点，按如下公式，执行Z_Score标准化操作；

F(x)＝(f(x)-μ)/σ

更新地理适宜性综合得分灰度图中各像素点的灰度值，然后进入步骤A2；其中，f(x)表示地理适宜性综合得分灰度图中像素点x的灰度值，F(x)表示地理适宜性综合得分灰度图中像素点x经Z_Score标准化操作后灰度值，μ表示地理适宜性综合得分灰度图中所有像素点灰度值的平均值，σ表示地理适宜性综合得分灰度图中所有像素点灰度值的标准差；

步骤A2.针对地理适宜性综合得分灰度图中各像素点，按其灰度值，由小至大进行排序，并获得最大灰度值像素点、以及最小灰度值像素点，同时，基于像素点排序，获得其中第1预设分位数位置Q₁、…、第N-1预设分位数位置Q_N-1，然后进入步骤A3，其中，N表示预设分位数；其中，由高至低的各分位数位置与适应性由高至低的各地理适宜性类别、顺序一一对应；

步骤A3.针对预设分位数个地理适宜性类别，基于分位法中由大至小的各分位位置顺序，进行排序，获得各地理适宜性类别的排序，并进入步骤A4；

步骤A4.根据第1预设分位数位置Q₁、…、第N-1预设分位数位置Q_N-1、以及最小灰度值像素点和最大灰度值像素点，针对地理适宜性综合得分灰度图中像素点的排序，依序划分为预设分位数个部分，并依序构建该各部分分别与排序的各地理适宜性类别之间的一一对应关系，实现将地理适宜性综合得分灰度图中的各像素点划分至预设分位数个地理适宜性类别当中；

步骤B.初始化获得各地理适宜性类别分别所对应的聚类中心，并分别定义为各地理适宜性类别的初级聚类中心，进入步骤C；

步骤C.基于各地理适宜性类别的初级聚类中心，完成针对地理适宜性综合得分灰度图中所有像素点的聚类操作，获得各个地理适宜性聚类，然后进入步骤D；

步骤D.分别更新获得各个地理适宜性聚类的新聚类中心，并进入步骤E；

步骤E.判断各地理适宜性聚类的新聚类中心与初级聚类中心是否均一致，是则完成目标区域的地理适宜性分类，获得目标区域所对应的各个地理适宜性聚类；否则分别针对各个地理适宜性聚类，用新聚类中心更新其初级聚类中心，然后返回步骤C。

2.根据权利要求1所述一种基于K-medoids算法的地理适宜性分类方法，其特征在于：所述步骤A中，基于采用预设分位数的分位法进行分类操作，将地理适宜性综合得分灰度图中的各像素点划分至预设分位数个地理适宜性类别当中，还包括基于分位法中由大至小的各分位位置顺序，针对各地理适宜性类别进行排序；

还包括步骤F如下，所述步骤E中，判断各地理适宜性聚类的新聚类中心与初级聚类中心是否均一致，是则完成目标区域的地理适宜性分类，获得目标区域所对应的各个地理适宜性聚类，并进入步骤F；

步骤F.基于各地理适宜性类别的排序，结合各个地理适宜性聚类中像素点的个数，实现目标区域所对应各个地理适宜性聚类的重分类。

3.根据权利要求2所述一种基于K-medoids算法的地理适宜性分类方法，其特征在于，所述步骤F包括如下步骤：

步骤F1.针对目标区域所对应的各个地理适宜性聚类，基于分位法中由大至小的各分位位置顺序，进行排序，获得各个地理适宜性聚类的排序，然后进入步骤F2；

步骤F2.基于各地理适宜性类别的排序，针对各个地理适宜性聚类的排序，按序构建各地理适宜性类别与各地理适宜性聚类的一一对应关系，进而生成目标区域所对应的地理适宜性结果图。

4.根据权利要求2所述一种基于K-medoids算法的地理适宜性分类方法，其特征在于，所述步骤A中，基于各地理适宜性类别的排序，还包括如下操作：

顺序依次分别针对各地理适宜性类别，针对地理适宜性类别中所包含的各像素点的灰度值，均扩大该地理适宜性类别所对应的预设增量值，实现目标区域地理适宜性综合得分灰度图中各像素点灰度值的更新；其中，依照各地理适宜性类别的排序，各地理适宜性类别分别所对应的预设增量值依次减小。

5.根据权利要求1所述一种基于K-medoids算法的地理适宜性分类方法，其特征在于，所述步骤B中，初始化获得各地理适宜性类别分别所对应的聚类中心，包括如下操作：

分别针对各地理适宜性类别，由类别所对应的各像素点中，随机选取一个像素点，初始化为该类别的聚类中心，实现各地理适宜性类别分别所对应聚类中心的初始化获得。

6.根据权利要求1所述一种基于K-medoids算法的地理适宜性分类方法，其特征在于，所述步骤C中，包括如下操作：

分别针对地理适宜性综合得分灰度图中的各个像素点，基于像素点分别到各地理适宜性类别初级聚类中心的距离，将该像素点划分至最短距离所对应初级聚类中心的地理适宜性类别当中，完成地理适宜性综合得分灰度图像素点的聚类操作。

7.根据权利要求6所述一种基于K-medoids算法的地理适宜性分类方法，其特征在于，所述步骤C中，分别针对地理适宜性综合得分灰度图中的各个像素点，按如下公式：

获得像素点分别到各地理适宜性类别初级聚类中心的距离，其中，F(x)_k表示地理适宜性综合得分灰度图中、像素点x对应所在空间坐标系中第k维的灰度值；y表示地理适宜性综合得分灰度图中的初级聚类中心，F(y)表示地理适宜性综合得分灰度图中、初级聚类中心y对应所在空间坐标系中第k维的灰度值，Distance(F(x),F(y))表示地理适宜性综合得分灰度图中像素点x到初级聚类中心y的距离，K表示地理适宜性综合得分灰度图所对应的空间坐标系维度。

8.根据权利要求1所述一种基于K-medoids算法的地理适宜性分类方法，其特征在于，所述步骤D中，分别针对各个地理适宜性聚类，执行如下步骤D1至步骤D2，更新获得地理适宜性聚类的新聚类中心，进而分别更新获得各个地理适宜性聚类的新聚类中心；

步骤D1.分别针对地理适宜性聚类C中、除初级聚类中心以外的各个像素点q，按如公式：

E_q＝∑_p∈C,p≠q|F(p)-F(q)|

获得像素点q所对应的准则函数值E_q，然后进入步骤D2；其中，q表示地理适宜性聚类C中、除初级聚类中心以外的像素点，p表示地理适宜性聚类C中、除像素点q以外的像素点，F(p)表示像素点p的灰度值，F(q)表示像素点q的灰度值；

步骤D2.获得地理适宜性聚类C中、除初级聚类中心以外各个像素点q中，最小准则函数值所对应的像素点，更新作为地理适宜性聚类C的新聚类中心。

Images