هذا هو الأمر i.smapgrass الذي يمكن تشغيله في مزود الاستضافة المجانية OnWorks باستخدام إحدى محطات العمل المجانية المتعددة عبر الإنترنت مثل Ubuntu Online أو Fedora Online أو محاكي Windows عبر الإنترنت أو محاكي MAC OS عبر الإنترنت
برنامج:
اسم
أنا الخريطة - يقوم بتصنيف الصور السياقية باستخدام الحد الأقصى المتسلسل اللاحق
(SMAP) التقدير.
الكلمات الرئيسية
الصور، التصنيف، التصنيف الخاضع للإشراف، التجزئة، SMAP
موجز
أنا الخريطة
أنا الخريطة --مساعدة
أنا الخريطة [-m] رأس التجميع=الاسم مجموعة فرعية=الاسم ملف التوقيع=الاسم الناتج=الاسم [صلاح=الاسم]
[مقاس الكتله=عدد صحيح] [-اعادة الكتابة] [-مساعدة] [-مطنب] [-هدوء] [-ui]
الأعلام:
-m
استخدم الحد الأقصى لتقدير الاحتمالية (بدلاً من smap)
--الكتابة فوق
السماح لملفات الإخراج بالكتابة فوق الملفات الموجودة
--مساعدة
طباعة ملخص الاستخدام
- الإسراف
إخراج وحدة مطول
--هادئ
إخراج وحدة هادئة
--ui
فرض إطلاق مربع حوار واجهة المستخدم الرسومية
المعلمات:
رأس التجميع=الاسم [مطلوب]
اسم مجموعة الصور المدخلة
مجموعة فرعية=الاسم [مطلوب]
اسم المجموعة الفرعية لصور الإدخال
ملف التوقيع=الاسم [مطلوب]
اسم ملف الإدخال الذي يحتوي على توقيعات
تم إنشاؤها بواسطة i.gensigset
الناتج=الاسم [مطلوب]
اسم للخريطة النقطية الناتجة التي تحتوي على نتائج التصنيف
صلاح=الاسم
اسم الخريطة النقطية الناتجة التي تحتوي على جودة الملاءمة (الأقل هو الأفضل)
مقاس الكتله=عدد صحيح
حجم المصفوفة الفرعية المراد معالجتها في وقت واحد
الافتراضي: 1024
الوصف
إنّ الـ أنا الخريطة يستخدم البرنامج لتقسيم الصور متعددة الأطياف باستخدام نموذج الفئة الطيفية
المعروف باسم توزيع الخليط الغوسي. بما أن توزيعات الخليط الغوسي تشمل
التوزيعات الغوسية التقليدية متعددة المتغيرات، يمكن أيضًا استخدام هذا البرنامج لتقسيمها
صور متعددة الأطياف تستند إلى متوسط طيفي بسيط ومعلمات التغاير.
أنا الخريطة طريقتين للتشغيل. الوضع الأول هو الحد الأقصى المتسلسل واللاحق
وضع (SMAP) [1,2،XNUMX]. تحاول خوارزمية تجزئة SMAP تحسين التجزئة
الدقة عن طريق تقسيم الصورة إلى مناطق بدلاً من تقسيم كل بكسل على حدة
(انظر إلى الملاحظات).
الوضع الثاني هو تصنيف الاحتمالية القصوى الأكثر تقليدية (ML)
يصنف كل بكسل على حدة ، ولكنه يتطلب حسابًا أقل إلى حد ما. هذا الوضع
المختار مع -m العلم (انظر أدناه).
OPTIONS
الأعلام:
-m
استخدم الحد الأقصى لتقدير الاحتمالية (بدلاً من smap). التشغيل العادي هو استخدام SMAP
التقدير (انظر الملاحظات).
المعلمات:
المجموعة =الاسم
مجموعة الصور
مجموعة الصور التي تحدد الصورة المطلوب تصنيفها.
المجموعة الفرعية =الاسم
المجموعة الفرعية للصور
المجموعة الفرعية داخل المجموعة المحددة التي تحدد المجموعة الفرعية لملفات النطاق
التي سيتم استخدامها كبيانات صور ليتم تصنيفها.
ملف التوقيع =الاسم
ملف التوقيع الصوري
ملف التوقيع الذي يحتوي على التوقيعات الطيفية (أي الإحصائيات) لـ
الفئات المراد تحديدها في الصورة. يتم إنتاج ملف التوقيع هذا بواسطة
برنامج i.gensigset (انظر إلى الملاحظات).
حجم الكتلة =قيمنا
حجم المصفوفة الفرعية المراد معالجتها في وقت واحد
الافتراضي: 1024
يحدد هذا الخيار حجم "النافذة" التي سيتم استخدامها عند قراءة بيانات الصورة.
تمت كتابة هذا البرنامج ليكون لطيفًا بشأن استخدام الذاكرة دون التأثير على الناتج
تصنيف. يتيح هذا الخيار للمستخدم التحكم في مقدار الذاكرة المستخدمة. أكثر
قد تعني الذاكرة عملية أسرع (أو أبطأ) اعتمادًا على مقدار الذاكرة الحقيقية لديك
الجهاز ومقدار الذاكرة الظاهرية التي يستخدمها البرنامج.
حجم المصفوفة الفرعية المستخدمة في تجزئة الصورة له وظيفة أساسية وهي
التحكم في استخدام الذاكرة ؛ ومع ذلك ، يمكن أن يكون له أيضًا تأثير دقيق على جودة
التقسيم في وضع smap. معلمات التجانس لتجزئة smap هي
تقدر بشكل منفصل لكل مصفوفة فرعية. ولذلك، إذا كانت الصورة لديها مناطق مع
سلوك مختلف نوعيًا ، (على سبيل المثال ، أراضي الغابات الطبيعية والزراعة التي من صنع الإنسان
الحقول) قد يكون من المفيد استخدام مصفوفة فرعية صغيرة بما يكفي لتجانس مختلف
يمكن استخدام المعلمات لكل منطقة مميزة من الصورة.
لا يؤثر حجم المصفوفة الفرعية على أداء طريقة تجزئة ML.
الإخراج =الاسم
إخراج الخريطة النقطية.
اسم الخريطة النقطية التي ستحتوي على نتائج التصنيف. هذا الجديد
ستحتوي طبقة الخريطة النقطية على فئات يمكن أن تكون مرتبطة بفئات الغطاء الأرضي
على أرض الواقع.
INTERACTIVE MODE
إذا لم يتم تحديد أي من الوسيطات في سطر الأوامر ، أنا الخريطة بشكل تفاعلي
المطالبة بأسماء الخرائط والملفات.
الملاحظات
تستغل خوارزمية SMAP حقيقة أن وحدات البكسل القريبة في الصورة من المحتمل أن تحتوي على
نفس الصف. إنه يعمل عن طريق تقسيم الصورة بمقاييس أو دقة مختلفة وباستخدام
تجزئة النطاق الخشنة لتوجيه التقسيمات الدقيقة. بالإضافة إلى
تقليل عدد حالات الخطأ في التصنيف ، تنتجها خوارزمية SMAP بشكل عام
مقاطع ذات مناطق متصلة أكبر من فئة ثابتة والتي قد تكون مفيدة في البعض
التطبيقات.
مقدار التنعيم الذي يتم إجراؤه في التجزئة يعتمد على السلوك
من البيانات الموجودة في الصورة. إذا كانت البيانات تشير إلى أن وحدات البكسل القريبة غالبًا ما تغير الفئة ،
ثم ستعمل الخوارزمية على تقليل كمية التجانس بشكل تكيفي. وهذا يضمن ذلك
لم يتم تشكيل مناطق كبيرة بشكل مفرط.
يمكن التحقق من درجة سوء التصنيف من خلال جودة خريطة المخرجات الملائمة.
تشير القيم الأقل إلى ملاءمة أفضل. قد تحتاج أكبر 5 إلى 15٪ من قيم الجودة
بعض التفتيش عن كثب.
الوحدة أنا الخريطة لا يدعم الخلايا المقنعة أو الفارغة. لذلك قد يكون من الضروري
لإنشاء نسخة من نتائج التصنيف باستخدام egrmapcalc:
r.mapcalc "MASKed_map = rating_results"
مثال
تصنيف LANDSAT الخاضع للإشراف
ز المنطقة النقطية = lsat7_2002_10 -p
# متجر VIZ ، NIR ، MIR في مجموعة / مجموعة فرعية
مجموعة i.group=my_lsat7_2002 المجموعة الفرعية=my_lsat7_2002 \
input=lsat7_2002_10,lsat7_2002_20,lsat7_2002_30,lsat7_2002_40,lsat7_2002_50,lsat7_2002_70
# الآن رقمنة مجالات التدريب "التدريب" باستخدام جهاز التحويل الرقمي
# وقم بالتحويل إلى نموذج نقطي باستخدام v.to.rast
v.to.rast input = إخراج التدريب = استخدام التدريب = cat label_column = label
# احسب الإحصائيات
i.gensigset Trainingmap=مجموعة التدريب=my_lsat7_2002 المجموعة الفرعية=my_lsat7_2002 \
ملف التوقيع = my_smap_lsat7_2002 maxsig = 5
i.smap group = my_lsat7_2002 subgroup = my_lsat7_2002 signaturefile = my_smap_lsat7_2002 \
الإخراج=lsat7_2002_smap_classes
# التحقق بصريا من النتيجة
d.mon wx0
d.rast.leg lsat7_2002_smap_classes
# تحقق إحصائيًا من النتيجة
r.kappa -wتصنيف=lsat7_2002_smap_classes مرجع=تدريب
المراجع
· C. Bouman and M. Shapiro ، "تجزئة الصورة متعددة الأطياف باستخدام متعدد النطاقات
نموذج الصورة "، بروك of IEEE الدولي أسيوط. on صوت. خطاب و السيد بروك، ص.
III-565 - III-568 ، سان فرانسيسكو ، كاليفورنيا ، 23-26 مارس 1992.
· سي بومان وم. شابيرو 1994 ، "نموذج حقل عشوائي متعدد النطاقات لصورة بايزي
تجزئة"، IEEE عبر. on صورة يعالج.، 3(2) 162-177 " (PDF)
· McCauley، JD and BA Engel 1995، "Comparison of Scene Segmentations: SMAP، ECHO
والاحتمالية القصوى "، IEEE عبر. on علوم الأرض و عن بعد الاستشعار ، 33(6):
1313-1316.
استخدم i.smapgrass عبر الإنترنت باستخدام خدمات onworks.net
