距离判别法

距离判别法主要利用样本与各类重心间的距离差异进行分类。首先，根据已知分类的数据计算各类的重心。然后，计算待判样本与各类的距离。最后，根据距离最小原则，将待判样本归入距离最近的一类。该方法常用的判别函数为 W(x) = D(x, G2) - D(x, G1)， 其中 D 代表距离函数，G1 和 G2 分别代表两类的重心。

通过案例分析，展示费舍尔判别法 (LDA) 和贝叶斯判别法从数学理论到计算机模型以及计算的完整过程。区别于直接调用 R 语言包，本实现相当于重写了判别法，深入剖析算法细节。

距离判别方法的核心思想是，首先根据已知分类数据计算各类别的重心，然后测量待判定样本与每一类别重心的距离，最终将待判定样本分配到距离最近的类别。判别函数表达为：W(x)=D(x,G2)-D(x,G1)。判别依据是样本x与各类别重心的距离比较，以此确定样本的分类。

费歇尔判别法的核心思想是通过将多维数据投影至特定方向，以尽可能地区分不同总体。这种投影利用方差分析构建一个或多个超平面，以最大化组间差异并最小化组内差异。判别函数通过将待分类样本映射至这些超平面，计算出判别函数值y1、y2和y，然后通过加权平均值y0进行分类决策。

系统聚类法，作为多元统计分析中的一种重要分类方法，其核心在于通过分析类与类之间的距离来实现分类。

在本教程中，将使用MatLab对TM图像进行分类，并结合马氏距离法的分析方法。此过程基于提供的训练样本（附有一个ENVI CLASSIC导出的ASCII格式文件）。代码执行过程中，用户会遇到几个对话框提示，分别用于： 手动选择波段图像：系统会要求您打开多个波段的TM图像。 调整输出图像大小：可通过对话框选择最终图像的尺寸，以便更符合项目需求。 完成代码执行后，分类结果将直接显示于MatLab界面，并以系统时间自动命名和保存。 代码注释清晰，便于理解和学习，适合需要在TM图像分类中应用马氏距离法的用户。

这是P. Felzenszwalb和D. Huttenlocher的论文中提出的距离采样函数的广义距离变换算法的简单MATLAB实现。函数DT()通过为每个维度调用DT1()来计算二维图像的距离变换。该方法可以轻松扩展到更高维度。由于inf值的处理存在问题，因此对于图像中以“无”抛物线为中心的点，应该给它们一个较大的数值（如1e10）。此外，算法被修改为使第二个参数返回输入的功率图，该图展示了每个点到其最近的点的距离。若所有输入点具有相同的值，函数将简化为计算标准的距离变换和Voronoi图。

假设我们有 k 个总体，分别记为 $G_1, G_2,..., G_k$，每个总体都有其对应的概率密度函数 $f_1(x), f_2(x), ..., f_k(x)$，以及先验概率 $p_1, p_2, ..., p_k$。 对于一个新样本 x，我们想要判断它属于哪个总体。根据贝叶斯定理，我们可以计算后验概率： $$P(G_i|x) = frac{p_i f_i(x)}{sum_{j=1}^{k} p_j f_j(x)}, i = 1,2,...,k$$ 其中： $P(G_i|x)$ 表示给定样本 x 的情况下，样本属于总体 $G_i$ 的概率。 $f_i(x)$ 表示样本 x 在总体 $G_i$ 中出现的概率密度。 $p_i$ 表示总体 $G_i$ 的先验概率。 贝叶斯判别规则指出，为了最小化误判概率，我们应该将样本 x 判给后验概率最大的那个总体。

这个Matlab函数用于计算两组点云之间的双向局部距离（BLD）。BLD是Hausdorff距离的一种扩展，提供了参考点云中每个点到测试点云的距离。该函数由Hak Soo Kim等人在医学物理学领域的研究中定义，适用于任意维度的点云。使用方法：输入参考点云和测试点云，函数将输出参考点云中每个点的局部距离（BLD）。详细信息可参见原论文：https://doi.org/10.1118/1.4754802。

留一法交叉验证: 将已知类别样本逐个剔除，利用剩余样本构建判别函数，对被剔除样本进行判别。 错误率计算: 记录所有被错判的样本，分别计算每个类别和整体的错判率。 效果衡量: 根据错判率的大小评估判别分析的效果，错判率越低，判别效果越好。