i.clustergrass - Online in der Cloud

PROGRAMM:

NAME/FUNKTION

i.cluster - Erzeugt spektrale Signaturen für Landbedeckungstypen in einem Bild mit a
Clustering-Algorithmus.
Die resultierende Signaturdatei wird als Eingabe für i.maxlik verwendet, um ein unbeaufsichtigtes
Bildklassifizierung.

SCHLÜSSELWÖRTER

Bilder, Klassifizierung, Signaturen

ZUSAMMENFASSUNG

i.cluster
i.cluster --help
i.cluster Gruppe=Name Untergruppe=Name Signaturdatei=Name Unterricht=ganze Zahl [Samen=Name]
[Sample=row_interval,col_interval] [Iterationen=ganze Zahl] [Konvergenz=schweben]
[Trennung=schweben] [Mindestgröße=ganze Zahl] [Datei melden=Name] [--überschreiben] [--Hilfe]
[--ausführlich] [--ruhig] [--ui]

Flaggen:
--überschreiben
Ausgabedateien erlauben, vorhandene Dateien zu überschreiben

--help
Nutzungszusammenfassung drucken

- ausführlich
Ausführliche Modulausgabe

--ruhig
Leiser Modulausgang

--ui
Starten des GUI-Dialogs erzwingen

Parameter:
Gruppe=Name [erforderlich]
Name der Eingabebildgruppe

Untergruppe=Name [erforderlich]
Name der Untergruppe der Eingabebilder

Signaturdatei=Name [erforderlich]
Name für Ausgabedatei mit Ergebnissignaturen

Unterricht=ganze Zahl [erforderlich]
Anfangszahl der Klassen
Option: 1 - 255

Samen=Name
Name der Datei mit Erstsignaturen

Sample=row_interval,col_interval
Abtastintervalle (nach Reihe und Spalte); Standard: ~10,000 Pixel

Iterationen=ganze Zahl
Maximale Anzahl von Iterationen
Standard: 30

Konvergenz=schweben
Prozent Konvergenz
Option: 0 - 100
Standard: 98.0

Trennung=schweben
Clustertrennung
Standard: 0.0

Mindestgröße=ganze Zahl
Mindestanzahl von Pixeln in einer Klasse
Standard: 17

Datei melden=Name
Name für die Ausgabedatei mit dem Abschlussbericht

BESCHREIBUNG

i.cluster führt den ersten Durchgang in der zweistufigen unbeaufsichtigten Klassifikation von Bildern durch,
während das GRASS-Modul i.maxlik führt den zweiten Durchgang aus. Beide Befehle müssen ausgeführt werden, um
Vervollständigen Sie die unbeaufsichtigte Klassifizierung.

i.cluster ist ein Clustering-Algorithmus (eine Modifikation des k-bedeutet Clustering-Algorithmus)
das die (Raster-)Bilddaten durchliest und Pixelcluster basierend auf den
spektrale Reflexionsgrade der Pixel (siehe Abbildung). Die Pixelcluster sind Bilder
Kategorien, die mit den Bodenbedeckungsarten vor Ort in Verbindung gebracht werden können. Das Spektral
Verteilungen der Cluster (z. B. spektrale Signaturen der Landbedeckung) werden beeinflusst von sechs
vom Benutzer eingestellte Parameter. Ein relevanter Parametersatz durch den Benutzer ist die anfängliche Anzahl von
Cluster zu unterscheiden.

Feige.: Land nutzen/landen Abdeckung Clustering of LANDSAT Szene
(vereinfacht)

i.cluster beginnt mit der Erzeugung spektraler Signaturen für diese Anzahl von Clustern und
"versucht", diese Anzahl von Clustern während des Clustering-Prozesses zu erreichen. Die
resultierende Anzahl von Clustern und deren spektrale Verteilungen sind aber auch
beeinflusst durch den Umfang der Spektralwerte (Kategoriewerte) in den Bilddateien und
die anderen vom Benutzer eingestellten Parameter. Diese Parameter sind: die minimale Clustergröße,
minimaler Clusterabstand, prozentuale Konvergenz, maximale Anzahl von Iterationen und
die Zeilen- und Spaltenabtastintervalle.

Die resultierenden Cluster-Spektralsignaturen setzen sich aus Cluster-Mittelwerten und Kovarianz zusammen
Matrizen. Diese Clustermittelwerte und Kovarianzmatrizen werden im zweiten Durchgang verwendet
(i.maxlik), um das Bild zu klassifizieren. Das Ergebnis der Cluster oder Spektralklassen kann in Beziehung gesetzt werden
zu Landbedeckungsarten auf dem Boden. Der Benutzer muss den Namen der Gruppendatei angeben, die
Name der Untergruppendatei, der Name einer Datei, die Ergebnissignaturen enthalten soll, die Anfangsnummer
der zu diskriminierenden Cluster und optional weitere Parameter (siehe unten), wobei die
Gruppe sollte die Bilddateien enthalten, die der Benutzer klassifizieren möchte. Die Untergruppe is
eine Untergruppe dieser Gruppe. Der Benutzer muss eine Gruppe und Untergruppe erstellen, indem er GRASS
Programm i.gruppe vor dem Laufen i.cluster. Die Untergruppe sollte nur die Bilder enthalten
Banddateien, die der Benutzer klassifizieren möchte. Beachten Sie, dass diese Untergruppe mehr enthalten muss
als eine Banddatei. Der Zweck der Gruppe und Untergruppe besteht darin, Kartenebenen für
Klassifizierung oder Analyse. Die Signaturdatei ist die Datei, die Ergebnissignaturen enthält
die als Eingabe für verwendet werden können i.maxlik. Der Klassenwert ist die Anfangszahl von
zu unterscheidende Cluster; alle nicht spezifizierten Parameterwerte werden auf ihre
Standardwerte.

Parameter:
Gruppe =Name
Der Name der Gruppendatei, die die Bilddateien enthält, die der Benutzer wünscht
klassifizieren.

Untergruppe=Name
Der Name der Untermenge der in der Gruppenoption angegebenen Gruppe, die nur enthalten darf
Bildbanddateien und mehr als eine Banddatei. Der Benutzer muss eine Gruppe erstellen und a
Untergruppe durch Ausführen des GRASS-Programms i.gruppe vor dem Laufen i.cluster.

Signaturdatei=Name
Der der Ausgabesignaturdatei zugewiesene Name, die Signaturen von Klassen und . enthält
kann als Eingabedatei für das GRASS-Programm verwendet werden i.maxlik für einen unbeaufsichtigten
Einstufung.

Klassen=Wert
Die Anzahl der Cluster, die anfänglich im Clustering-Prozess identifiziert werden
bevor die Iterationen beginnen.

Samen=Name
Der Name einer Seed-Signaturdatei ist optional. Die Seed-Signaturen sind Signaturen, die
enthalten Clustermittelwerte und Kovarianzmatrizen, die vor dem berechnet wurden
aktueller Lauf von i.cluster. Sie können aus einem früheren Lauf von erworben werden i.cluster or
von einem überwachten Schulungsabschnitt für Klassifizierungssignaturen (z
Signaturdateiausgabe von g.gui.iclass). Der Zweck von Seed-Signaturen ist die Optimierung
die Cluster-Entscheidungsgrenzen (Mittel) für die angegebene Anzahl von Clustern.

Probe=row_interval,col_interval
Diese Zahlen sind optional mit Standardwerten basierend auf der Größe des Datensatzes, wie z
dass die Gesamtzahl der zu verarbeitenden Pixel ungefähr 10,000 beträgt (berücksichtigen Sie das Aufrunden).

Iterationen=Wert
Dieser Parameter bestimmt die maximale Anzahl von Iterationen, die größer als die
Anzahl von Iterationen, die vorhergesagt werden, um die optimale prozentuale Konvergenz zu erreichen. Der Standard
der Wert ist 30. Wenn die Anzahl der Iterationen das vom Benutzer angegebene Maximum erreicht;
der Benutzer möchte möglicherweise erneut ausführen i.cluster mit einer höheren Anzahl von Iterationen (siehe
Datei melden).
Standard: 30

Konvergenz=Wert
Eine hohe prozentuale Konvergenz ist der Punkt, an dem die Clustermittelwerte stabil werden während
den Iterationsprozess. Der Standardwert beträgt 98.0 Prozent. Wenn Cluster
erstellt werden, ändern sich ihre Mittelwerte ständig, wenn ihnen Pixel zugewiesen werden und die Mittelwerte
werden neu berechnet, um das neue Pixel einzuschließen. Nachdem alle Cluster erstellt wurden,
i.cluster beginnt Iterationen, die Cluster-Mittelwerte durch Maximieren der Abstände ändern
zwischen ihnen. Da dies eine Verschiebung bedeutet, wird eine immer höhere Konvergenz erreicht.
Weil die Mittelwerte niemals völlig statisch werden, eine prozentuale Konvergenz und ein Maximum
Anzahl von Iterationen wird bereitgestellt, um den iterativen Prozess zu stoppen. Das Prozent
Konvergenz sollte vor der maximalen Anzahl von Iterationen erreicht werden. Wenn das Maximum
Anzahl der Iterationen erreicht ist, ist es wahrscheinlich, dass die gewünschte prozentuale Konvergenz
wurde nicht erreicht. Die Anzahl der Iterationen wird in der Clusterstatistik im
Berichtsdatei (siehe Datei melden).
Standard: 98.0

Trennung=Wert
Dies ist der Mindestabstand, unterhalb dessen Cluster in der Iteration zusammengeführt werden
Prozess. Der Standardwert ist 0.0. Dies ist eine bildspezifische Nummer (eine "magische" Nummer)
das hängt von den zu klassifizierenden Bilddaten und der Anzahl der endgültigen Cluster ab, die
sind akzeptabel. Seine Bestimmung erfordert Experimente. Beachten Sie, dass als Minimum
Klassen- (oder Cluster-) Trennung wird erhöht, die maximale Anzahl von Iterationen sollte
auch erhöht werden, um diese Trennung mit einem hohen Konvergenzprozentsatz zu erreichen
(sehen Konvergenz).
Standard: 0.0

min_size=Wert
Dies ist die minimale Anzahl von Pixeln, die verwendet wird, um einen Cluster zu definieren, und ist
daher die minimale Anzahl von Pixeln, für die Mittelwerte und Kovarianzmatrizen
berechnet.
Standard: 17

Berichtsdatei=Name
Die Reportdatei ist ein optionaler Parameter, der das Ergebnis enthält, dh die
Statistiken für jeden Cluster. Ebenfalls enthalten sind die resultierende prozentuale Konvergenz für
die Cluster, die Anzahl der Iterationen, die erforderlich war, um die Konvergenz zu erreichen,
und die Trennbarkeitsmatrix.

ANMERKUNG

Probennahme Methode
i.cluster clustert nicht alle Pixel, sondern nur ein Sample (siehe Parameter Sample). Die
Ergebnis dieser Clusterbildung ist nicht, dass alle Pixel einem gegebenen Cluster zugeordnet sind;
im Wesentlichen werden nur Signaturen erzeugt, die für einen gegebenen Cluster repräsentativ sind.
Beim Laufen i.cluster auf den gleichen Daten, die nach der gleichen Anzahl von Klassen fragen, aber mit
unterschiedliche Stichprobengrößen, wahrscheinlich werden leicht unterschiedliche Signaturen für jeden Cluster erhalten
bei jedem Lauf.

Algorithmus benutzt für i.cluster
Der Algorithmus verwendet Eingabeparameter, die vom Benutzer für die anfängliche Anzahl von Clustern festgelegt werden, die
minimaler Abstand zwischen Clustern und die Korrespondenz zwischen Iterationen, die
gewünschte und Mindestgröße für jeden Cluster. Es fragt auch, ob alle Pixel geclustert werden sollen, oder
jede "x"-te Zeile und "y"-te Spalte (Sampling), die Entsprechung zwischen den Iterationen
gewünschte Anzahl und die maximale Anzahl der auszuführenden Iterationen.

Im ersten Durchgang werden die anfänglichen Clustermittel für jedes Band definiert, indem der erste
Cluster einen Wert gleich dem Bandmittelwert minus seiner Standardabweichung, und der letzte Cluster
ein Wert gleich dem Bandmittelwert plus seiner Standardabweichung, mit allen anderen Clustermittelwerten
zwischen diesen gleichmäßig verteilt. Jedes Pixel wird dann der Klasse zugeordnet
der sie am nächsten ist, wobei die Entfernung als euklidische Entfernung gemessen wird. Alle Cluster weniger
als der benutzerdefinierte Mindestabstand werden dann zusammengeführt. Wenn ein Cluster weniger als die
benutzerdefinierte Mindestanzahl von Pixeln, alle diese Pixel werden wieder dem nächsten zugewiesen
nächsten Cluster. Neue Clustermittelwerte werden für jedes Band als Durchschnitt von Raster berechnet
Pixelwerte in diesem Band für alle Pixel, die in diesem Cluster vorhanden sind.

Im 2. Durchlauf werden Pixel dann basierend auf neuen Clustermitteln wieder Clustern zugeordnet.
Die Clustermittel werden dann erneut neu berechnet. Dieser Vorgang wird wiederholt, bis die
die Übereinstimmung zwischen den Iterationen erreicht ein vom Benutzer festgelegtes Niveau oder bis zum Maximum
Anzahl der angegebenen Iterationen ist vorbei, je nachdem, was zuerst eintritt.

BEISPIEL

Erstellung der Statistik für die unbeaufsichtigte Klassifikation einer LANDSAT-Unterszene in Nord
Carolina:
g.region raster=lsat7_2002_10 -p
# VIZ, NIR, MIR in Gruppe/Untergruppe speichern (TIR weglassen)
i.group group=lsat7_2002 subgroup=lsat7_2002 \
input=lsat7_2002_10,lsat7_2002_20,lsat7_2002_30,lsat7_2002_40,lsat7_2002_50,lsat7_2002_70
# Signaturdatei und Bericht erstellen
i.cluster group=lsat7_2002 Untergruppe=lsat7_2002 \
Signaturdatei=sig_cluster_lsat2002 \
Klassen=10 reportfile=rep_clust_lsat2002.txt
Um die unbeaufsichtigte Klassifizierung abzuschließen, i.maxlik wird anschließend verwendet. Siehe Beispiel
in seiner Handbuchseite.

Verwenden Sie i.clustergrass online mit den onworks.net-Diensten