Este es el comando i.smapgrass que se puede ejecutar en el proveedor de alojamiento gratuito de OnWorks utilizando una de nuestras múltiples estaciones de trabajo en línea gratuitas, como Ubuntu Online, Fedora Online, emulador en línea de Windows o emulador en línea de MAC OS.
PROGRAMA:
NOMBRE
i.smap - Realiza la clasificación de imágenes contextuales utilizando un máximo secuencial a posteriori
(SMAP) estimación.
PALABRAS CLAVE
imágenes, clasificación, clasificación supervisada, segmentación, SMAP
SINOPSIS
i.smap
i.smap --ayuda
i.smap [-m] grupo de XNUMX=nombre subgrupo=nombre archivo de firma=nombre salida=nombre [bondad=nombre ]
[tamaño de bloque=entero] [-exagerar] [-ayuda] [-verboso] [-tranquilo] [-ui]
Banderas
-m
Utilice la estimación de máxima verosimilitud (en lugar de smap)
--Sobrescribir
Permitir que los archivos de salida sobrescriban los archivos existentes
--ayuda
Resumen de uso de impresión
--verboso
Salida del módulo detallado
--tranquilo
Salida de módulo silencioso
--ui
Forzar el inicio del cuadro de diálogo GUI
parámetros:
grupo de XNUMX=nombre [requerido]
Nombre del grupo de imágenes de entrada
subgrupo=nombre [requerido]
Nombre del subgrupo de imágenes de entrada
archivo de firma=nombre [requerido]
Nombre del archivo de entrada que contiene firmas
Generado por i.gensigset
salida=nombre [requerido]
Nombre del mapa ráster de salida que contiene resultados de clasificación
bondad=nombre
Nombre del mapa ráster de salida con bondad de ajuste (cuanto más bajo, mejor)
tamaño de bloque=entero
Tamaño de la submatriz para procesar a la vez
Por defecto: 1024
DESCRIPCIÓN
La i.smap El programa se utiliza para segmentar imágenes multiespectrales utilizando un modelo de clase espectral.
conocida como distribución de mezcla gaussiana. Dado que las distribuciones de mezcla gaussiana incluyen
distribuciones gaussianas multivariadas convencionales, este programa también se puede utilizar para segmentar
Imágenes multiespectrales basadas en parámetros de covarianza y media espectral simple.
i.smap Tiene dos modos de funcionamiento. El primer modo es el máximo secuencial a posteriori
Modo (SMAP) [1,2]. El algoritmo de segmentación SMAP intenta mejorar la segmentación
precisión al segmentar la imagen en regiones en lugar de segmentar cada píxel por separado
(ver notas).
El segundo modo es la clasificación de máxima verosimilitud (ML) más convencional que
clasifica cada píxel por separado, pero requiere algo menos de cálculo. Este modo es
seleccionado con el -m bandera (ver más abajo).
OPCIONES
Banderas
-m
Utilice la estimación de máxima verosimilitud (en lugar de smap). El funcionamiento normal es utilizar SMAP
estimación (ver NOTAS).
parámetros:
grupo =nombre
grupo de imágenes
El grupo de imágenes que define la imagen que se va a clasificar.
subgrupo =nombre
subgrupo de imágenes
El subgrupo dentro del grupo especificado que especifica el subconjunto de los archivos de banda.
que se utilizarán como datos de imagen para clasificar.
signaturefile =nombre
archivo de firma de imágenes
El archivo de firmas que contiene las firmas espectrales (es decir, las estadísticas) para
las clases a identificar en la imagen. Este archivo de firma es producido por el
programa i.gensigset (ver notas).
tamaño de bloque =valor
tamaño de la submatriz para procesar a la vez
predeterminado: 1024
Esta opción especifica el tamaño de la "ventana" que se utilizará al leer los datos de la imagen.
Este programa fue escrito para ser agradable sobre el uso de la memoria sin influir en el resultado
clasificación. Esta opción permite al usuario controlar cuánta memoria se utiliza. Más
memoria puede significar una operación más rápida (o más lenta) dependiendo de cuánta memoria real su
máquina tiene y cuánta memoria virtual utiliza el programa.
El tamaño de la submatriz utilizada para segmentar la imagen tiene una función principal de
controlar el uso de la memoria; Sin embargo, también puede tener un efecto sutil en la calidad de la
segmentación en modo smap. Los parámetros de suavizado para la segmentación de smap son
estimados por separado para cada submatriz. Por lo tanto, si la imagen tiene regiones con
comportamiento cualitativamente diferente, (por ejemplo, bosques naturales y agricultura artificial
campos) puede ser útil utilizar una submatriz lo suficientemente pequeña para que diferentes suavizados
se pueden utilizar parámetros para cada región distintiva de la imagen.
El tamaño de la submatriz no tiene ningún efecto sobre el rendimiento del método de segmentación ML.
salida =nombre
mapa ráster de salida.
El nombre de un mapa ráster que contendrá los resultados de la clasificación. Esta nueva
La capa de mapa ráster contendrá categorías que pueden estar relacionadas con las categorías de cobertura del suelo.
en el suelo.
INTERACTIVO MODO
Si ninguno de los argumentos se especifica en la línea de comando, i.smap interactivamente
solicitar los nombres de los mapas y archivos.
NOTAS
El algoritmo SMAP aprovecha el hecho de que es probable que los píxeles cercanos en una imagen tengan la
misma clase. Funciona segmentando la imagen en varias escalas o resoluciones y usando
las segmentaciones de escala gruesa para guiar las segmentaciones de escala más fina. Además de
reduciendo el número de clasificaciones erróneas, el algoritmo SMAP generalmente produce
segmentaciones con regiones conectadas más grandes de una clase fija que pueden ser útiles en algunos
aplicaciones.
La cantidad de suavizado que se realiza en la segmentación depende del comportamiento
de los datos de la imagen. Si los datos sugieren que los píxeles cercanos a menudo cambian de clase,
entonces el algoritmo reducirá adaptativamente la cantidad de suavizado. Esto asegura que
no se forman regiones excesivamente grandes.
El grado de clasificación errónea se puede investigar con el mapa de salida de bondad de ajuste.
Los valores más bajos indican un mejor ajuste. El mayor 5 a 15% de los valores de bondad puede necesitar
una inspección más cercana.
El módulo i.smap no admite celdas MASKed o NULL. Por lo tanto, podría ser necesario
para crear una copia de los resultados de la clasificación usando egrmapcalc:
r.mapcalc "MASKed_map = clasificacion_resultados"
EJEMPLO
Clasificación supervisada de LANDSAT
g.region raster = lsat7_2002_10 -p
# almacenar VIZ, NIR, MIR en grupo / subgrupo
i.group group = my_lsat7_2002 subgroup = my_lsat7_2002 \
input=lsat7_2002_10,lsat7_2002_20,lsat7_2002_30,lsat7_2002_40,lsat7_2002_50,lsat7_2002_70
# Ahora digitalice las áreas de entrenamiento "entrenamiento" con el digitalizador
# y convertir a modelo ráster con v.to.rast
v.to.rast input = training output = training use = cat label_column = label
# calcular estadísticas
i.gensigset trainingmap = training group = my_lsat7_2002 subgroup = my_lsat7_2002 \
archivo de firma = my_smap_lsat7_2002 maxsig = 5
i.smap group = my_lsat7_2002 subgroup = my_lsat7_2002 signaturefile = my_smap_lsat7_2002 \
salida = lsat7_2002_smap_classes
# Verificar visualmente el resultado
d. mon wx0
d.rast.leg lsat7_2002_smap_classes
# Comprobar estadísticamente el resultado
r.kappa -w clasificación = lsat7_2002_smap_classes reference = entrenamiento
Referencias
· C. Bouman y M. Shapiro, "Segmentación de imágenes multiespectrales usando un multiescala
Modelo de imagen ", Proc of IEEE Internacional Conf. on Acústica, Speech y Sr. Proc., páginas.
III-565 - III-568, San Francisco, California, 23 al 26 de marzo de 1992.
· C. Bouman y M. Shapiro 1994, "Un modelo de campo aleatorio multiescala para imágenes bayesianas
Segmentación", IEEE trans. on Imagen Procesando., 3(2) 162-177 " (PDF) (documento en inglés)
· McCauley, JD y BA Engel 1995, "Comparación de segmentaciones de escenas: SMAP, ECHO
y máxima probabilidad ", IEEE trans. on Geociencia y Remoto Sintiendo, 33(6):
1313-1316.
Utilice i.smapgrass en línea utilizando los servicios de onworks.net
