i.clustergrass - En ligne dans le Cloud

PROGRAMME:

Nom

je.cluster - Génère des signatures spectrales pour les types d'occupation du sol dans une image à l'aide d'un
algorithme de regroupement.
Le fichier de signature résultant est utilisé comme entrée pour i.maxlik, pour générer un
classement des images.

MOTS-CLÉS

imagerie, classification, signatures

SYNOPSIS

je.cluster
je.cluster --Aidez-moi
je.cluster groupe=nom sous-groupe=nom fichier de signature=nom les classes=int [seed=nom]
[échantillon=intervalle_ligne, intervalle_col] [itérations=int] [convergence=flotter]
[séparation=flotter] [min_size=int] [fichier de rapport=nom] [--écraser] [--vous aider]
[--verbeux] [--calme] [--ui]

Drapeaux:
--écraser
Autoriser les fichiers de sortie à écraser les fichiers existants

--Aidez-moi
Imprimer le récapitulatif d'utilisation

--verbeux
Sortie du module verbeux

--silencieux
Sortie module silencieuse

--interface utilisateur
Forcer le lancement de la boîte de dialogue GUI

Paramètres:
groupe=nom [obligatoire]
Nom du groupe d'images d'entrée

sous-groupe=nom [obligatoire]
Nom du sous-groupe d'images d'entrée

fichier de signature=nom [obligatoire]
Nom du fichier de sortie contenant les signatures de résultat

les classes=int [obligatoire]
Nombre initial de cours
Options : 1-255

seed=nom
Nom du fichier contenant les signatures initiales

échantillon=intervalle_ligne, intervalle_col
Intervalles d'échantillonnage (par ligne et col); par défaut : ~10,000 XNUMX pixels

itérations=int
Nombre maximal d'itérations
Valeur par défaut: 30

convergence=flotter
Pourcentage de convergence
Options : 0-100
Valeur par défaut: 98.0

séparation=flotter
Séparation des grappes
Valeur par défaut: 0.0

min_size=int
Nombre minimum de pixels dans une classe
Valeur par défaut: 17

fichier de rapport=nom
Nom du fichier de sortie contenant le rapport final

DESCRIPTION

je.cluster effectue la première passe dans la classification non supervisée en deux passes de l'imagerie,
tandis que le module GRASS je.maxlik exécute la deuxième passe. Les deux commandes doivent être exécutées pour
compléter la classification non supervisée.

je.cluster est un algorithme de clustering (une modification du k-moyens algorithme de clustering)
qui lit les données d'imagerie (raster) et crée des groupes de pixels en fonction de la
réflectances spectrales des pixels (voir Figure). Les clusters de pixels sont des images
catégories qui peuvent être liées aux types d'occupation du sol au sol. Le spectral
les distributions des grappes (par exemple, les signatures spectrales de la couverture terrestre) sont influencées par six
paramètres définis par l'utilisateur. Un paramètre pertinent défini par l'utilisateur est le nombre initial de
grappes à discriminer.

Figure.: Pays utilisation/terrain couverture regroupement of LANDSAT scène
(simplifié)

je.cluster commence par générer des signatures spectrales pour ce nombre de clusters et
« tentatives » de se retrouver avec ce nombre de clusters pendant le processus de clustering. Les
Cependant, le nombre résultant d'amas et leurs distributions spectrales sont également
influencé par la plage des valeurs spectrales (valeurs de catégorie) dans les fichiers d'images et
les autres paramètres définis par l'utilisateur. Ces paramètres sont : la taille minimale du cluster,
séparation minimale des clusters, le pourcentage de convergence, le nombre maximal d'itérations et
les intervalles d'échantillonnage des lignes et des colonnes.

Les signatures spectrales de cluster qui en résultent sont composées de moyennes de cluster et de covariance
matrices. Ces moyennes de cluster et matrices de covariance sont utilisées dans la deuxième passe
(je.maxlik) pour classer l'image. Le résultat des clusters ou des classes spectrales peut être lié
aux types d'occupation du sol au sol. L'utilisateur doit spécifier le nom du fichier de groupe, le
nom du fichier de sous-groupe, le nom d'un fichier contenant les signatures de résultats, le numéro initial
de clusters à discriminer, et éventuellement d'autres paramètres (voir ci-dessous) où le
groupe doit contenir les fichiers images que l'utilisateur souhaite classer. Les sous-groupe is
un sous-ensemble de ce groupe. L'utilisateur doit créer un groupe et un sous-groupe en exécutant le GRASS
programme i.groupe avant de courir je.cluster. Le sous-groupe ne doit contenir que les images
les fichiers de bande que l'utilisateur souhaite classer. Notez que ce sous-groupe doit contenir plus
plus d'un fichier de bande. Le but du groupe et du sous-groupe est de collecter des couches cartographiques pour
classement ou analyse. Les fichier de signature est le fichier contenant les signatures de résultat
qui peut être utilisé comme entrée pour je.maxlik. La valeur des classes est le nombre initial de
grappes à discriminer ; toutes les valeurs de paramètre non spécifiées sont définies sur leur
les valeurs par défaut.

Paramètres:
groupe =nom
Le nom du fichier de groupe qui contient les fichiers images que l'utilisateur souhaite
classer.

sous-groupe=nom
Le nom du sous-ensemble du groupe spécifié dans l'option de groupe, qui ne doit contenir que
fichiers de bande d'imagerie et plus d'un fichier de bande. L'utilisateur doit créer un groupe et un
sous-groupe en exécutant le programme GRASS i.groupe avant de courir je.cluster.

fichier signature=nom
Le nom attribué au fichier de signature de sortie qui contient les signatures des classes et
peut être utilisé comme fichier d'entrée pour le programme GRASS je.maxlik pour un sans surveillance
classification.

cours=valeur
Le nombre de clusters qui seront initialement identifiés dans le processus de clustering
avant le début des itérations.

graine =nom
Le nom d'un fichier de signature de départ est facultatif. Les signatures de semences sont des signatures qui
contiennent des moyennes de grappes et des matrices de covariance qui ont été calculées avant la
course actuelle de je.cluster. Ils peuvent être acquis à partir d'une précédente série de je.cluster or
à partir d'une section de site de formation de signature de classification supervisée (par exemple, en utilisant le
fichier de signature produit par g.gui.iclass). Le but des signatures de semences est d'optimiser
les limites de décision de cluster (moyennes) pour le nombre de clusters spécifiés.

échantillon =intervalle_ligne, intervalle_col
Ces nombres sont facultatifs avec des valeurs par défaut basées sur la taille de l'ensemble de données telles que
que le nombre total de pixels à traiter est d'environ 10,000 XNUMX (pensez à arrondir).

itérations=valeur
Ce paramètre détermine le nombre maximum d'itérations qui est supérieur au
nombre d'itérations prévu pour atteindre le pourcentage de convergence optimal. Le défaut
la valeur est 30. Si le nombre d'itérations atteint le maximum désigné par l'utilisateur ;
l'utilisateur peut vouloir réexécuter je.cluster avec un nombre d'itérations plus élevé (voir
fichier de rapport).
Par défaut: 30

convergence=valeur
Un pourcentage élevé de convergence est le point auquel les moyennes de cluster deviennent stables pendant
le processus d'itération. La valeur par défaut est de 98.0 %. Lorsque les clusters sont
créés, leurs moyens changent constamment au fur et à mesure que des pixels leur sont attribués et les moyens
sont recalculés pour inclure le nouveau pixel. Une fois tous les clusters créés,
je.cluster commence les itérations qui changent les moyens de cluster en maximisant les distances
entre eux. Au fur et à mesure que ces moyens changent, une convergence de plus en plus élevée est approchée.
Parce que les moyennes ne deviendront jamais totalement statiques, un pourcentage de convergence et un maximum
nombre d'itérations sont fournies pour arrêter le processus itératif. Le pour cent
la convergence doit être atteinte avant le nombre maximum d'itérations. Si le maximum
nombre d'itérations est atteint, il est probable que le pourcentage de convergence souhaité
n'a pas été atteint. Le nombre d'itérations est indiqué dans les statistiques de cluster dans le
fichier de rapport (voir fichier de rapport).
Par défaut: 98.0

séparation=valeur
Il s'agit de la séparation minimale en dessous de laquelle les clusters seront fusionnés dans l'itération
traiter. La valeur par défaut est 0.0. Il s'agit d'un nombre spécifique à l'image (un nombre « magique »)
qui dépend des données d'image à classer et du nombre de groupes finaux qui
sont acceptables. Sa détermination nécessite une expérimentation. Notez qu'au minimum
la séparation des classes (ou clusters) est augmentée, le nombre maximum d'itérations doit
également être augmentée pour obtenir cette séparation avec un pourcentage élevé de convergence
(voir convergence).
Par défaut: 0.0

taille_min=valeur
Il s'agit du nombre minimum de pixels qui seront utilisés pour définir un cluster, et est
donc le nombre minimum de pixels pour lesquels les moyennes et les matrices de covariance seront
calculé.
Par défaut: 17

fichierrapport=nom
Le fichier de rapport est un paramètre facultatif qui contient le résultat, c'est-à-dire le
statistiques pour chaque cluster. Sont également inclus le pourcentage de convergence résultant pour
les clusters, le nombre d'itérations nécessaires pour atteindre la convergence,
et la matrice de séparabilité.

NOTES

Échantillonnage méthode
je.cluster ne regroupe pas tous les pixels, mais seulement un échantillon (voir paramètre échantillon). La
le résultat de ce regroupement n'est pas que tous les pixels soient affectés à un groupe donné ;
essentiellement, seules les signatures représentatives d'un cluster donné sont générées.
En cours d'exécution je.cluster sur les mêmes données demandant le même nombre de classes, mais avec
des tailles d'échantillon différentes, des signatures probablement légèrement différentes pour chaque grappe sont obtenues
à chaque course.

Algorithme d'utiliser pour je.cluster
L'algorithme utilise des paramètres d'entrée définis par l'utilisateur sur le nombre initial de clusters, le
distance minimale entre les clusters, et la correspondance entre les itérations qui est
souhaitée et la taille minimale de chaque cluster. Il demande également si tous les pixels doivent être regroupés, ou
chaque "x" ligne et "y" colonne (échantillonnage), la correspondance entre les itérations
souhaité, et le nombre maximum d'itérations à effectuer.

Dans la 1ère passe, les moyennes initiales du cluster pour chaque bande sont définies en donnant le premier
cluster une valeur égale à la moyenne de la bande moins son écart type, et le dernier cluster
une valeur égale à la moyenne de la bande plus son écart type, avec toutes les autres moyennes de cluster
répartis également espacés entre ceux-ci. Chaque pixel est ensuite affecté à la classe
dont il est le plus proche, la distance étant mesurée comme distance euclidienne. Tous les clusters en moins
que la distance minimale spécifiée par l'utilisateur sont alors fusionnés. Si un cluster a moins que le
nombre minimum de pixels spécifié par l'utilisateur, tous ces pixels sont à nouveau réaffectés au suivant
cluster le plus proche. Les nouvelles moyennes de cluster sont calculées pour chaque bande en tant que moyenne du raster
valeurs de pixel dans cette bande pour tous les pixels présents dans ce cluster.

Dans la 2ème passe, les pixels sont ensuite à nouveau réaffectés à des clusters sur la base de nouvelles moyennes de cluster.
Les moyennes des clusters sont alors à nouveau recalculées. Ce processus est répété jusqu'à ce que le
la correspondance entre les itérations atteint un niveau spécifié par l'utilisateur, ou jusqu'au maximum
le nombre d'itérations spécifié est terminé, selon la première éventualité.

EXEMPLE

Préparation des statistiques pour la classification non supervisée d'une sous-scène LANDSAT dans le Nord
Caroline:
g.région raster=lsat7_2002_10 -p
# mémoriser VIZ, NIR, MIR dans un groupe/sous-groupe (en omettant TIR)
i.group groupe=lsat7_2002 sous-groupe=lsat7_2002 \
input=lsat7_2002_10,lsat7_2002_20,lsat7_2002_30,lsat7_2002_40,lsat7_2002_50,lsat7_2002_70
# générer un fichier de signature et un rapport
i.cluster groupe=lsat7_2002 sous-groupe=lsat7_2002 \
fichier de signature=sig_cluster_lsat2002 \
classes=10 reportfile=rep_clust_lsat2002.txt
Pour compléter le classement non supervisé, je.maxlik est ensuite utilisé. Voir exemple
dans sa page de manuel.

Utilisez i.clustergrass en ligne en utilisant les services onworks.net