i.clustergrass - آنلاین در ابر

برنامه:

نام

i.cluster - امضاهای طیفی برای انواع پوشش زمین در یک تصویر با استفاده از a ایجاد می کند
الگوریتم خوشه بندی
فایل امضای به‌دست‌آمده به‌عنوان ورودی i.maxlik برای تولید یک فایل بدون نظارت استفاده می‌شود
طبقه بندی تصویر

واژگان کلیدی

تصاویر، طبقه بندی، امضاها

خلاصه

i.cluster
i.cluster --کمک
i.cluster گروه=نام زیرگروه=نام امضا فایل=نام کلاس ها=عدد صحیح [دانه=نام]
[نمونه=row_interval،col_interval] [تکرار=عدد صحیح] [همگرایی=شناور]
[جدایی=شناور] [اندازه کوچک=عدد صحیح] [فایل گزارش=نام] [--زیاد نوشتن] [--کمک]
[--واژگان] [--ساکت] [--ui]

پرچم ها:
--زیاد نوشتن
به فایل های خروجی اجازه بازنویسی فایل های موجود را بدهید

--کمک
خلاصه استفاده از چاپ

-- پرحرف
خروجی ماژول گویا

--ساکت
خروجی ماژول بی صدا

--ui
راه اندازی اجباری گفتگوی رابط کاربری گرافیکی

پارامترهای:
گروه=نام [ضروری]
نام گروه تصویر ورودی

زیرگروه=نام [ضروری]
نام زیرگروه تصاویر ورودی

امضا فایل=نام [ضروری]
نام فایل خروجی حاوی امضای نتیجه

کلاس ها=عدد صحیح [ضروری]
تعداد اولیه کلاس ها
گزینه های ارسال: 1-255

دانه=نام
نام فایل حاوی امضاهای اولیه

نمونه=row_interval،col_interval
فواصل نمونه برداری (بر اساس سطر و ستون)؛ پیش‌فرض: 10,000 پیکسل

تکرار=عدد صحیح
حداکثر تعداد تکرار
پیش فرض: 30

همگرایی=شناور
درصد همگرایی
گزینه های ارسال: 0-100
پیش فرض: 98.0

جدایی=شناور
جداسازی خوشه ای
پیش فرض: 0.0

اندازه کوچک=عدد صحیح
حداقل تعداد پیکسل در یک کلاس
پیش فرض: 17

فایل گزارش=نام
نام فایل خروجی حاوی گزارش نهایی

شرح

i.cluster اولین پاس را در طبقه بندی دو پاسی بدون نظارت تصاویر انجام می دهد،
در حالی که ماژول GRASS i.maxlik پاس دوم را اجرا می کند. هر دو دستور باید اجرا شوند
طبقه بندی بدون نظارت را کامل کنید.

i.cluster یک الگوریتم خوشه بندی است (اصلاحی در k-به معنای الگوریتم خوشه بندی)
که از طریق داده های تصویری (رستری) می خواند و بر اساس آن خوشه های پیکسلی می سازد
بازتاب طیفی پیکسل ها (شکل را ببینید). خوشه های پیکسل تصویر هستند
دسته بندی هایی که می تواند به انواع پوشش زمین در زمین مربوط باشد. طیفی
توزیع خوشه ها (به عنوان مثال، امضاهای طیفی پوشش زمین) تحت تأثیر شش قرار می گیرند
پارامترهای تعیین شده توسط کاربر یک پارامتر مربوطه که توسط کاربر تنظیم شده است، تعداد اولیه است
خوشه ها مورد تبعیض قرار گیرند.

شکل.: زمین استفاده/زمین پوشش خوشه بندی of LANDSAT صحنه
(ساده شده)

i.cluster با تولید امضاهای طیفی برای این تعداد خوشه و
"تلاش" برای پایان دادن به این تعداد خوشه در طول فرآیند خوشه بندی. را
با این حال، تعداد خوشه ها و توزیع طیفی آنها نیز وجود دارد
تحت تأثیر دامنه مقادیر طیفی (مقادیر طبقه بندی) در فایل های تصویری و
سایر پارامترهای تعیین شده توسط کاربر این پارامترها عبارتند از: حداقل اندازه خوشه،
حداقل تفکیک خوشه، درصد همگرایی، حداکثر تعداد تکرار، و
فواصل نمونه برداری سطر و ستون

امضاهای طیفی خوشه ای که به دست می آیند از میانگین خوشه ای و کوواریانس تشکیل شده اند
ماتریس ها این میانگین های خوشه ای و ماتریس های کوواریانس در پاس دوم استفاده می شوند
(i.maxlik) برای طبقه بندی تصویر. نتیجه خوشه ها یا کلاس های طیفی می تواند مرتبط باشد
به انواع پوشش های زمین بر روی زمین. کاربر باید نام فایل گروه را مشخص کند
نام فایل زیر گروه، نام فایل حاوی امضای نتیجه، شماره اولیه
از خوشه هایی که باید تفکیک شوند، و در صورت تمایل سایر پارامترها (به زیر مراجعه کنید) که در آن
گروه باید حاوی فایل های تصویری باشد که کاربر می خواهد طبقه بندی کند. را زیرگروه is
زیر مجموعه ای از این گروه کاربر باید با اجرای GRASS یک گروه و زیرگروه ایجاد کند
برنامه i.group قبل از دویدن i.cluster. زیرگروه باید فقط شامل تصاویر باشد
فایل های باندی که کاربر می خواهد آنها را طبقه بندی کند. توجه داشته باشید که این زیر گروه باید شامل موارد بیشتری باشد
بیش از یک فایل باند هدف گروه و زیرگروه جمع آوری لایه های نقشه برای
طبقه بندی یا تجزیه و تحلیل در امضا فایل فایلی است که حاوی امضاهای نتیجه است
که می تواند به عنوان ورودی برای i.maxlik. مقدار کلاس ها تعداد اولیه است
خوشه هایی که باید تبعیض شوند. هر مقدار پارامتر نامشخص باقی می ماند، روی آنها تنظیم می شود
مقادیر پیش فرض.

پارامترهای:
گروه=نام
نام فایل گروهی که حاوی فایل های تصویری مورد نظر کاربر است
طبقه بندی کردن.

زیر گروه =نام
نام زیرمجموعه گروه مشخص شده در گزینه group که فقط باید شامل باشد
فایل های باند تصویر و بیش از یک فایل باند. کاربر باید یک گروه ایجاد کند و یک
با اجرای برنامه GRASS، زیر گروه قرار دهید i.group قبل از دویدن i.cluster.

signaturefile=نام
نام اختصاص داده شده به فایل امضای خروجی که حاوی امضای کلاس ها و
می تواند به عنوان فایل ورودی برنامه GRASS استفاده شود i.maxlik برای یک بدون نظارت
طبقه بندی.

کلاس ها =ارزش
تعداد خوشه هایی که در ابتدا در فرآیند خوشه بندی شناسایی می شوند
قبل از شروع تکرارها

دانه =نام
نام فایل امضای seed اختیاری است. امضاهای بذر امضاهایی هستند که
حاوی میانگین های خوشه ای و ماتریس های کوواریانس است که قبل از محاسبه شد
اجرای فعلی از i.cluster. آنها ممکن است از یک اجرای قبلی بدست آمده باشند i.cluster or
از بخش سایت آموزش امضای طبقه بندی نظارت شده (به عنوان مثال، با استفاده از
خروجی فایل امضا توسط g.gui.iclass). هدف از امضاهای بذر بهینه سازی است
مرزهای تصمیم گیری خوشه (میانگین) برای تعداد خوشه های مشخص شده.

نمونه=row_interval،col_interval
این اعداد با مقادیر پیش فرض بر اساس اندازه مجموعه داده اختیاری هستند
که کل پیکسل هایی که باید پردازش شوند تقریباً 10,000 پیکسل است (گردش را در نظر بگیرید).

تکرار =ارزش
این پارامتر حداکثر تعداد تکرارها را که بیشتر از مقدار است را تعیین می کند
تعداد تکرارهای پیش بینی شده برای دستیابی به درصد همگرایی بهینه. پیشفرض
مقدار 30 است. اگر تعداد تکرارها به حداکثر تعیین شده توسط کاربر برسد.
ممکن است کاربر بخواهد دوباره اجرا کند i.cluster با تعداد تکرار بیشتر (نگاه کنید به
فایل گزارش).
پیش فرض: 30

همگرایی=ارزش
درصد همگرایی بالا نقطه‌ای است که در طی آن میانگین خوشه‌ای پایدار می‌شود
فرآیند تکرار مقدار پیش فرض 98.0 درصد است. هنگامی که خوشه ها در حال وجود هستند
ایجاد شده، با اختصاص پیکسل ها به آنها و ابزار، میانگین آنها دائماً تغییر می کند
برای گنجاندن پیکسل جدید مجدداً محاسبه می شوند. پس از ایجاد همه خوشه ها،
i.cluster تکرارهایی را آغاز می کند که با به حداکثر رساندن فواصل، معنای خوشه ای را تغییر می دهد
بین آنها. با جابجایی این معناها، به همگرایی بالاتر و بالاتر نزدیک می شود.
زیرا میانگین هرگز به طور کامل ثابت نخواهد بود، یک درصد همگرایی و حداکثر
تعدادی تکرار برای توقف فرآیند تکراری ارائه می شود. درصد
همگرایی باید قبل از حداکثر تعداد تکرار حاصل شود. اگر حداکثر
با رسیدن به تعداد تکرار، درصد همگرایی مورد نظر محتمل است
به دست نیامد. تعداد تکرارها در آمار خوشه ای در گزارش شده است
فایل گزارش (نگاه کنید به فایل گزارش).
پیش فرض: 98.0

جدایی=ارزش
این حداقل جدایی است که زیر آن خوشه ها در تکرار ادغام می شوند
روند. مقدار پیش فرض 0.0 است. این یک عدد مخصوص تصویر است (یک عدد "جادویی")
که بستگی به داده های تصویر طبقه بندی شده و تعداد خوشه های نهایی دارد
قابل قبول هستند. تعیین آن نیاز به آزمایش دارد. توجه داشته باشید که به عنوان حداقل
جداسازی کلاس (یا خوشه) افزایش یافته است، حداکثر تعداد تکرارها باید افزایش یابد
همچنین برای دستیابی به این تفکیک با درصد همگرایی بالا افزایش یابد
(نگاه کنید به همگرایی).
پیش فرض: 0.0

min_size=ارزش
این حداقل تعداد پیکسل هایی است که برای تعریف یک خوشه استفاده می شود و هست
بنابراین حداقل تعداد پیکسل هایی که ماتریس میانگین و کوواریانس برای آنها خواهد بود
محاسبه شد.
پیش فرض: 17

گزارش فایل =نام
گزارش فایل یک پارامتر اختیاری است که حاوی نتیجه است
آمار برای هر خوشه همچنین شامل درصد همگرایی حاصل برای
خوشه ها، تعداد تکرارهایی که برای دستیابی به همگرایی لازم بود،
و ماتریس تفکیک پذیری

NOTES

نمونه برداری روش
i.cluster همه پیکسل ها را خوشه بندی نمی کند، بلکه فقط یک نمونه را جمع می کند (به پارامتر مراجعه کنید نمونه).
نتیجه آن خوشه بندی این نیست که همه پیکسل ها به یک خوشه معین اختصاص داده شوند.
اساسا، تنها امضاهایی تولید می شوند که نماینده یک خوشه معین هستند.
هنگام دویدن i.cluster در داده‌های مشابهی که تعداد کلاس‌های مشابهی را درخواست می‌کنند، اما با
اندازه های نمونه متفاوت، احتمالاً امضاهای کمی متفاوت برای هر خوشه به دست می آید
در هر اجرا

الگوریتم استفاده برای i.cluster
الگوریتم از پارامترهای ورودی استفاده می کند که توسط کاربر روی تعداد اولیه خوشه ها تنظیم شده است
حداقل فاصله بین خوشه ها، و مطابقت بین تکرارها که است
اندازه دلخواه و حداقل برای هر خوشه. همچنین می پرسد که آیا همه پیکسل ها باید خوشه شوند یا نه
هر ردیف "x" و ستون "y" (نمونه‌گیری)، مطابقت بین تکرارها
مورد نظر و حداکثر تعداد تکرارهایی که باید انجام شوند.

در پاس 1، میانگین خوشه اولیه برای هر باند با دادن اولین تعریف می شود
خوشه ای برابر با میانگین باند منهای انحراف معیار آن و آخرین خوشه
مقداری برابر با میانگین باند به اضافه انحراف معیار آن، با سایر میانگین های خوشه ای
به طور مساوی بین اینها توزیع شده است. سپس هر پیکسل به کلاس اختصاص داده می شود
که نزدیکترین آن است، فاصله به عنوان فاصله اقلیدسی اندازه گیری می شود. همه خوشه ها کمتر
بعد از حداقل فاصله مشخص شده توسط کاربر ادغام می شوند. اگر خوشه ای کمتر از
حداقل تعداد پیکسل های تعیین شده توسط کاربر، همه آن پیکسل ها دوباره به پیکسل بعدی اختصاص داده می شوند
نزدیکترین خوشه میانگین خوشه های جدید برای هر باند به عنوان میانگین شطرنجی محاسبه می شود
مقادیر پیکسل در آن باند برای تمام پیکسل های موجود در آن خوشه.

در گذر دوم، پیکسل‌ها مجدداً بر اساس میانگین خوشه‌های جدید به خوشه‌ها تخصیص داده می‌شوند.
سپس میانگین های خوشه ای مجدداً محاسبه می شوند. این روند تا زمانی که
مکاتبات بین تکرارها به سطح مشخص شده توسط کاربر یا تا حداکثر می رسد
تعداد تکرارهای مشخص شده به پایان رسیده است، هر کدام که زودتر انجام شود.

مثال

تهیه آمار برای طبقه بندی بدون نظارت یک زیر صحنه LANDSAT در شمال
کارولینا:
g.region raster=lsat7_2002_10 -p
# VIZ، NIR، MIR را در گروه/زیرگروه ذخیره کنید (با حذف TIR)
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
# فایل امضا و گزارش تولید کنید
i.cluster group=lsat7_2002 subgroup=lsat7_2002
signaturefile=sig_cluster_lsat2002
classes=10 reportfile=rep_clust_lsat2002.txt
برای تکمیل طبقه بندی بدون نظارت، i.maxlik متعاقبا استفاده می شود. نمونه را ببینید
در صفحه راهنمای آن

از i.clustergrass به صورت آنلاین با استفاده از خدمات onworks.net استفاده کنید