（1）解释

KMeans算法是一种非监督式的聚类算法，于1967年由J. MacQueen提出，聚类的依靠是欧式距离，其核心思想就是将样本划分为几个类别，类里面的数据与类中心的距离最小。类的标签采用类里面样本的均值。

这里利用KMeans进行遥感NDWI归一化水体指数进行简单的聚类分析，主要目的就是聚类出流域和非流域，簇类数为2。手动分割阈值为-0.06，效果和KMeans差不多，若是人为调参太麻烦，可以考虑KMeans进行分割，分割效果如下。

此程序可以进行常规遥感图像的聚类，但可能代码需做小幅度调整。

（2）源码

#!/usr/bin/env python
# -*- coding:utf-8 -*-
"""
@author: 楠楠星球
@time: 2024/5/13 15:12 
@file: kmeans.py-->test
@project: pythonProject
@# ------------------------------------------(one)--------------------------------------
@# ------------------------------------------(two)--------------------------------------
"""
from matplotlib.image import imread
import matplotlib.pyplot as plt
import numpy as np
from PIL import Image
from sklearn.cluster import KMeans, k_means# img =imread('NDWI.tif')
img = Image.open('NDWI.tif') #读取的landsat全色影像，若是彩色图像请在此句后面加上.convert("RGB")
NDWI = Image.open('ndwi_006.tif')
img = np.array(img) #转为矩阵
img_bands = 1   #图像的波段或者深度
image = img.reshape(-1, img_bands) #更改图像维度seg_images = [] #存放处理结果
n_clusters = 2  #要聚类的簇类数# 随机生成颜色矩阵
colors = [np.random.randint(0, 255, size=(1, img_bands)) for _ in range(n_clusters)]
# 利用KMeans类进行聚类处理，n_clusters表示簇类数，random_state表示随机种子，n_init='auto'为了防止报错，调用.fit（）方法进行处理
Kmeans_res = KMeans(n_clusters=n_clusters,random_state=1000, n_init='auto').fit(image)
# 获取簇的质心
cluster_centers = Kmeans_res.cluster_centers_# 也可利用k_means函数进行处理
# Kmeans_res = Cluster(X=image,n_clusters = 8,random_state=40,n_init='auto')
# cluster_centers = Kmeans_res[0]# 获取簇类中元素的标签
cluster_labels = cluster_centers[Kmeans_res.labels_]
same = np.unique(cluster_labels, axis=0) #查找每一个簇类的标签num = 0 #记数
for color in colors:for index,row in enumerate(cluster_labels):equal = np.array_equal(row, same[num])if equal == True:cluster_labels[index] = colors[num][0]else:continuenum += 1
cluster_image = cluster_labels.reshape(img.shape)
seg_images.append(cluster_image.astype(np.uint8))plt.figure(figsize=(10,5))
plt.subplot(131)
plt.imshow(img,cmap='gray')
plt.title("NDWI_ori_img")
plt.subplot(132)
if n_clusters == 2:plt.imshow(cluster_image/255, cmap='gray')
else:plt.imshow(cluster_image/255)
plt.title("NDWI_Kmeans_img")plt.subplot(133)
plt.imshow(NDWI,cmap='gray')
plt.title('NDWI_img--number：-0.06')
plt.show()