pksvm – Online in der Cloud

PROGRAMM:

NAME/FUNKTION

pksvm – Rasterbild mit Support Vector Machine klassifizieren

ZUSAMMENFASSUNG

pksvm -t TAUCHERAUSBILDUNG [-i Varianten des Eingangssignals:] [-o Möglichkeiten für das Ausgangssignal:] [-Lebenslauf Wert] [Optionen] [advanced Optionen]

BESCHREIBUNG

pksvm implementiert eine Support Vector Machine (SVM), um eine überwachte Klassifizierung zu lösen
Problem. Die Implementierung basiert auf der Open-Source-C++-Bibliothek libSVM
(http://www.csie.ntu.edu.tw/~cjlin/libsvm). Sowohl Raster- als auch Vektordateien werden unterstützt
Eingang. Die Ausgabe enthält das Klassifizierungsergebnis, entweder im Raster- oder Vektorformat
format, entsprechend dem Format der Eingabe. Es muss ein Trainingsmuster bereitgestellt werden
ein OGR-Vektordatensatz, der die Klassenbezeichnungen und die Features für jedes Training enthält
Punkt. Die Punktpositionen werden im Trainingsschritt nicht berücksichtigt. Sie können dasselbe verwenden
Trainingsbeispiel zum Klassifizieren verschiedener Bilder, vorausgesetzt die Anzahl der Bänder des
Bilder sind identisch. Verwenden Sie das Dienstprogramm pkextract, um ein geeignetes Trainingsbeispiel zu erstellen.
basierend auf einer Stichprobe von Punkten oder Polygonen. Für Rasterausgabekarten können Sie eine Farbe hinzufügen
Tabelle mit der Option -kt.

OPTIONAL

-t Dateinamen, --Ausbildung Dateinamen
Trainingsvektordatei. Eine einzelne Vektordatei enthält alle Trainingsfunktionen (müssen
festgelegt als: b0, b1, b2,...) für alle Klassen (Klassennummern werden durch die Beschriftungsoption identifiziert).
Verwenden Sie mehrere Trainingsdateien für die Bootstrap-Aggregation (Alternative zur --Tasche machen
--Taschengröße Optionen, bei denen eine zufällige Teilmenge aus einer einzelnen Trainingsdatei entnommen wird)

-i Dateinamen, --Eingang Dateinamen
Eingabebild

-o Dateinamen, --Ausgabe Dateinamen
Klassifizierungsbild ausgeben

-Lebenslauf Wert, --Lebenslauf Wert
N-facher Kreuzvalidierungsmodus (Standard: 0)

-tln Schicht, --tln Schicht
Name(n) der Trainingsschicht

-c Name, --Klasse Name
Liste der Klassennamen.

-r Wert, --reclass Wert
Liste der Klassenwerte (gleiche Reihenfolge wie in verwenden). --Klasse Möglichkeit).

-oder GDAL-Format, --oformat GDAL-Format
Ausgabebildformat (siehe auch gdal_translate(1)).

-f Format, --F Format
Ausgabe-OGR-Format für aktives Trainingsbeispiel

-co NAME = WERT, - co NAME = WERT
Erstellungsoption für Ausgabedatei. Es können mehrere Optionen angegeben werden.

-kt Dateinamen, --ct Dateinamen
Farbtabelle im ASCII-Format mit 5 Spalten: id RGB ALFA (0: transparent, 255:
fest)

-Etikett Attribut, --Etikett Attribut
Bezeichner für die Klassenbezeichnung in der Trainingsvektordatei. (Standard: Beschriftung)

-vor Wert, --frühere Wert
A-priori-Wahrscheinlichkeiten für jede Klasse (z. B. -vor 0.3 -vor 0.3 -vor 0.2) Gebraucht
Nur zur Eingabe (bei Kreuzvalidierung ignoriert)

-g Gamma, --Gamma Gamma
Gamma in der Kernelfunktion

-cc kosten, --ccost kosten
Der Parameter C von C_SVC, epsilon_SVR und nu_SVR

-m Dateinamen, --Maske Dateinamen
Nur innerhalb der angegebenen Maske (Vektor oder Raster) klassifizieren. Für Rastermaske festlegen
Knotenwerte mit der Option --msknodata.

-msknodata Wert, --msknodata Wert
Maskenwerte, die bei der Klassifizierung nicht berücksichtigt werden sollen. Werte werden übernommen
Klassifizierungsbild.

-keine Daten Wert, --keine Daten Wert
Nodata-Wert, der dort eingefügt werden soll, wo das Bild als Nodata maskiert ist

-v Grad des , - ausführlich Grad des
Ausführlicher Level

Erweiterte Optionen

-b Band, --Band Band
Bandindex (beginnend bei 0, beide Verwendungszwecke --Band Option oder Verwendung --startband zu
--endband)

-sband Band, --startband Band
Startband-Sequenznummer

-eband Band, --endband Band
Endband-Sequenznummer

-BAL Größe, --Balance Größe
Gleichen Sie die Eingabedaten für jede Klasse mit dieser Anzahl von Stichproben aus

-Mindest Anzahl, --Mindest Anzahl
Wenn die Anzahl der Trainingspixel kleiner als min ist, wird diese Klasse nicht berücksichtigt
(0: alle Klassen berücksichtigen)

-Tasche Wert, --Tasche Wert
Anzahl der Bootstrap-Aggregationen (Standard ist kein Bagging: 1)

-Taschengröße Wert, --Taschengröße Wert
Prozentsatz der verwendeten Funktionen aus den verfügbaren Trainingsfunktionen für jeden Bootstrap
Aggregation (eine Größe für alle Klassen oder eine andere Größe für jede Klasse).
beziehungsweise

-Kamm regieren, --Kamm regieren
So kombinieren Sie Bootstrap-Aggregationsklassifikatoren (0: Summenregel, 1: Produktregel, 2:
Max-Regel). Wird auch zum Aggregieren von Klassen mit der Option rc verwendet.

-cb Dateinamen, --classbag Dateinamen
Ausgabe für jede einzelne Bootstrap-Aggregation

-wahrscheinlich Dateinamen, --prob Dateinamen
Wahrscheinlichkeitsbild.

-Versatz Wert, - Offset Wert
Offsetwert für jedes Spektralband-Eingabemerkmal:
refl[Band]=(DN[Band]-Offset[Band])/Skala[Band]

-Rahmen Wert, --Skala Wert
Skalierungswert für jedes Spektralband-Eingabemerkmal:
refl=(DN[band]-offset[band])/scale[band] (0 verwenden, wenn in jedem Band Min und Max skaliert werden).
bis -1.0 und 1.0)

-svmt tippe, --svmtype tippe
Typ der SVM (C_SVC, nu_SVC,one_class, epsilon_SVR, nu_SVR)

-kt tippe, --kerneltype tippe
Art der Kernelfunktion (linear, polynomial, radial, sigmoid)

-kd Wert, --kd Wert
Abschluss in Kernel-Funktion

-c0 Wert, --coef0 Wert
Coef0 in der Kernelfunktion

-nu Wert, --nu Wert
Der Parameter nu von nu-SVC, Einklassen-SVM und nu-SVR

-eloss Wert, --eloss Wert
Die Epsilon-in-Verlustfunktion von Epsilon-SVR

-Zwischenspeicher Anzahl, --Zwischenspeicher Anzahl
Zwischenspeicher ⟨http://pktools.nongnu.org/html/classCache.html⟩ Speichergröße in MB (Standard:
100)

-etol Wert, --etol Wert
das Toleranz-Abbruchkriterium (Standard: 0.001)

-schrumpfen, --schrumpfen
Ob die schrumpfende Heuristik verwendet werden soll

erstellt Anzahl, --naktiv Anzahl
Anzahl der aktiven Trainingspunkte

BEISPIEL

Klassifizieren Sie das Eingabebild input.tif mit einer Support-Vektor-Maschine. Ein Trainingsbeispiel also
wird als OGR-Vektordatensatz bereitgestellt. Es enthält alle Features (gleiche Dimensionalität wie
input.tif) in seinen Feldern (bitte überprüfen). pkextract(1) wie man eine solche Datei von a erhält
„saubere“ Vektordatei, die nur Standorte enthält). Eine zweifache Kreuzvalidierung (CV) ist
durchgeführt (Ausgabe auf dem Bildschirm). Die Parameter Kosten und Gamma der Support-Vektor-Maschine
sind auf 1000 bzw. 0.1 eingestellt. Eine Farbtabelle (eine fünfspaltige Textdatei: Bild
Wert, ROT, GRÜN, BLAU, ALPHA) wurde ebenfalls bereitgestellt.

pksvm -i Eingabe.tif -t training.sqlite -o ausgabe.tif -Lebenslauf 2 -kt Farbtabelle.txt -cc 1000 -g 0.1

Klassifizierung mithilfe der Bootstrap-Aggregation. Die Trainingsstichprobe wird zufällig aufgeteilt
drei Teilproben (jeweils 33 % der Originalprobe).

pksvm -i Eingabe.tif -t training.sqlite -o ausgabe.tif -bs 33 -Tasche 3

Klassifizierung anhand der A-priori-Wahrscheinlichkeiten für jede Klasse. Die Prioritäten sind automatisch
normalisiert. Die Reihenfolge, in der die Optionen -p Werden bereitgestellt, sollten die alphanumerischen Zeichen berücksichtigt werden
Reihenfolge der Klassennamen (Klasse 10 kommt vor 2...)

pksvm -i Eingabe.tif -t training.sqlite -o ausgabe.tif -p 1 -p 1 -p 1 -p 1 -p 1 -p 1 -p 1 -p 1 -p 1 -p 1 -p 1 -p 0.2 -p 1 -p 1 -p 1

24 Januar 2016 pksvm(1)

Verwenden Sie pksvm online über die Dienste von onworks.net