i.gensigsetgrass - En ligne dans le Cloud

PROGRAMME:

Nom

je.gensigset - Génère des statistiques pour i.smap à partir d'une carte raster.

MOTS-CLÉS

imagerie, classification, classification supervisée, SMAP, signatures

SYNOPSIS

je.gensigset
je.gensigset --Aidez-moi
je.gensigset carte de formation=nom groupe=nom sous-groupe=nom fichier de signature=nom [maximum=int]
[--vous aider] [--verbeux] [--calme] [--ui]

Drapeaux:
--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:
carte de formation=nom [obligatoire]
Carte de formation à la vérité terrain

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

maximum=int
Nombre maximum de sous-signatures dans n'importe quelle classe
Valeur par défaut: 5

DESCRIPTION

je.gensigset est une méthode non interactive pour générer des entrées dans je.smap. Il est utilisé comme
la première passe dans le processus de classification en deux passes. Il lit une couche de carte raster,
appelée carte d'entraînement, qui contient certains des pixels ou des régions déjà classés.
je.gensigset extraira ensuite les signatures spectrales d'une image en fonction de la
classification des pixels dans la carte d'apprentissage et mettre ces signatures à la disposition de
je.smap.

L'utilisateur exécuterait alors le programme GRASS je.smap pour créer la carte classée finale.

OPTIONS

Paramètres
carte d'entraînement=nom
carte de formation à la vérité terrain

Cette couche raster, fournie en entrée par l'utilisateur, a déjà certains de ses pixels
classés, et le reste (probablement la plupart) des pixels non classés. Moyens classifiés
que le pixel a une valeur non nulle et non classé signifie que le pixel a une valeur zéro
valeur.

Cette carte doit être préparée par l'utilisateur à l'avance en utilisant une combinaison de wxGUI vecteur
numériseur et v.à.rast, ou un autre processus d'importation/de développement (par exemple, v. transects) à
définir les zones représentatives des classes dans l'image.

À l'heure actuelle, il n'existe pas d'outil entièrement interactif spécialement conçu pour produire ce
couche.

groupe =nom
groupe d'images

C'est le nom du groupe qui contient les fichiers de bande qui composent l'image à
analysé. Les i.groupe La commande est utilisée pour construire des groupes de couches raster qui comprennent
une image.

sous-groupe=nom
sous-groupe contenant des fichiers image

Ceci nomme le sous-groupe au sein du groupe qui sélectionne un sous-ensemble des bandes à
analysé. Les i.groupe La commande est également utilisée pour préparer ce sous-groupe. Le sous-groupe
mécanisme permet à l'utilisateur de sélectionner un sous-ensemble de tous les fichiers de bande qui forment une image.

fichier signature=nom
fichier de signature résultant

Il s'agit du fichier de signature résultant (contenant les moyennes et les matrices de covariance) pour
chaque classe dans la carte de formation qui est associée aux fichiers de bande dans le sous-groupe
choisi.

signe max=valeur
nombre maximum de sous-signatures dans n'importe quelle classe
par défaut: 5

Les signatures spectrales produites par ce programme sont des signatures "mixtes" (voir
REMARQUES). Chaque signature contient une ou plusieurs sous-signatures (représentant des sous-classes). Les
L'algorithme de ce programme commence par un nombre maximum de sous-classes et réduit ce nombre
nombre à un nombre minimal de sous-classes spectralement distinctes. L'utilisateur a le
option pour définir cette valeur de départ avec cette option.

INTERACTIF MODE

Si aucun des arguments n'est spécifié sur la ligne de commande, je.gensigset sera interactivement
demander les noms de ces cartes et fichiers.

Il convient de noter que le mode interactif signifie ici uniquement une invite interactive pour les cartes
et fichiers. Cela ne signifie pas la visualisation des signatures qui résultent du processus.

NOTES

L'algorithme en je.gensigset détermine les paramètres d'un modèle de classe spectrale appelé
une distribution de mélange gaussien. Les paramètres sont estimés à l'aide d'une image multispectrale
des données et une carte d'apprentissage qui étiquette la classe d'un sous-ensemble des pixels de l'image. Les
les paramètres de classe de mélange sont stockés en tant que signature de classe qui peut être utilisée pour les
segmentation (c'est-à-dire classification) de l'image multispectrale.

La classe de mélange gaussien est un modèle utile car elle peut être utilisée pour décrire le
comportement d'une classe d'informations qui contient des pixels avec une variété de spectres distincts
caractéristiques. Par exemple, les forêts, les prairies ou les zones urbaines sont des exemples de
classes d'informations qu'un utilisateur peut souhaiter séparer dans une image. Cependant, chacun de ces
les classes d'informations peuvent contenir des sous-classes, chacune avec son propre spectre distinctif
caractéristique. Par exemple, une forêt peut contenir une variété d'espèces d'arbres différentes
chacun avec son propre comportement spectral.

L'objectif des classes de mélange est d'améliorer les performances de segmentation en modélisant chaque
classe d'information comme un mélange probabiliste avec une variété de sous-classes. Le mélange
le modèle de classe supprime également le besoin d'effectuer une segmentation initiale non supervisée pour le
fins d'identification de ces sous-classes. Cependant, si des échantillons mal classés sont utilisés dans
le processus d'apprentissage, ces échantillons erronés peuvent être regroupés en tant qu'échantillons indésirables distincts
sous-classe. Par conséquent, il faut veiller à fournir des données d'entraînement précises.

Cet algorithme de clustering estime à la fois le nombre de sous-classes distinctes dans chaque classe,
et la moyenne spectrale et la covariance pour chaque sous-classe. Le nombre de sous-classes est
estimée à l'aide des critères de longueur minimale de description (MDL) de Rissanen [1]. Ce critère
tente de déterminer le nombre de sous-classes qui décrivent « le mieux » les données. Les
les estimations approximatives du maximum de vraisemblance de la moyenne et de la covariance des sous-classes sont
calculé à l'aide de l'algorithme de maximisation des attentes (EM) [2,3].

MISES EN GARDE

Si des avertissements comme celui-ci se produisent, réduire les classes restantes à 0 :
...
ATTENTION : Suppression d'un numéro de sous-signature singulier 1 (4 restent)
ATTENTION : Suppression d'un numéro de sous-signature singulier 1 (3 restent)
ATTENTION : Suppression d'un numéro de sous-signature singulier 1 (2 restent)
ATTENTION : Suppression d'un numéro de sous-signature singulier 1 (1 restent)
AVERTISSEMENT : clustering non fiable. Essayez un nombre initial de clusters plus petit
ATTENTION : Suppression d'un numéro de sous-signature singulier 1 (-1 reste)
AVERTISSEMENT : clustering non fiable. Essayez un nombre initial de clusters plus petit
Le nombre de sous-classes est 0
alors l'utilisateur doit vérifier :

· la plage des données d'entrée doit être comprise entre 0 et 100 ou 255 mais pas entre 0.0
et 1.0 (r.info et r.univar montrer la gamme)

· les zones d'entraînement doivent contenir une quantité suffisante de pixels

Références

· J. Rissanen, "A Universal Prior for Integers and Estimation by Minimum Description
Longueur," Annales of Statistiques, vol. 11, non. 2, pages 417-431, 1983.

· A. Dempster, N. Laird et D. Rubin, « Vraisemblance maximale à partir de données incomplètes via
l'algorithme EM," J. Roy. Statiste. Soc. B, vol. 39, non. 1, pages 1-38, 1977.

· E. Redner et H. Walker, "Mixture Densities, Maximum Likelihood and the EM
Algorithme," SIAM Examiner, vol. 26, non. 2 avril 1984.

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