i.clustergrass - Online di Cloud

PROGRAM:

NAMA

i.cluster - Menghasilkan tanda tangan spektral untuk jenis tutupan lahan dalam gambar menggunakan a
algoritma pengelompokan.
File tanda tangan yang dihasilkan digunakan sebagai input untuk i.maxlik, untuk menghasilkan file tanpa pengawasan
klasifikasi gambar.

KEYWORDS

citra, klasifikasi, tanda tangan

RINGKASAN

i.cluster
i.cluster --membantu
i.cluster kelompok=nama subkelompok=nama file tanda tangan=nama kelas-kelas=bilangan bulat [benih=nama]
[mencicipi=baris_interval,kol_interval] [iterasi=bilangan bulat] [konvergensi=mengapung]
[pemisahan=mengapung] [min_ukuran=bilangan bulat] [berkas laporan=nama] [--menimpa] [--membantu]
[--bertele-tele] [--tenang] [--ui]

Bendera:
--timpa
Izinkan file keluaran untuk menimpa file yang ada

--membantu
Cetak ringkasan penggunaan

--bertele-tele
Keluaran modul verbose

--diam
Keluaran modul yang tenang

--ui
Paksa meluncurkan dialog GUI

Parameter:
kelompok=nama [yg dibutuhkan]
Nama grup citra masukan

subkelompok=nama [yg dibutuhkan]
Nama subgrup citra masukan

file tanda tangan=nama [yg dibutuhkan]
Nama untuk file keluaran yang berisi tanda tangan hasil

kelas-kelas=bilangan bulat [yg dibutuhkan]
Jumlah kelas awal
Pilihan: 1-255

benih=nama
Nama file yang berisi tanda tangan awal

mencicipi=baris_interval,kol_interval
Interval pengambilan sampel (berdasarkan baris dan kolom); default: ~ 10,000 piksel

iterasi=bilangan bulat
Jumlah maksimum iterasi
Default: 30

konvergensi=mengapung
Konvergensi persen
Pilihan: 0-100
Default: 98.0

pemisahan=mengapung
Pemisahan klaster
Default: 0.0

min_ukuran=bilangan bulat
Jumlah piksel minimum dalam satu kelas
Default: 17

berkas laporan=nama
Nama untuk file keluaran yang berisi laporan akhir

DESKRIPSI

i.cluster melakukan lintasan pertama dalam klasifikasi citra dua lintasan tanpa pengawasan,
sedangkan modul GRASS i.maxlik mengeksekusi umpan kedua. Kedua perintah harus dijalankan ke
menyelesaikan klasifikasi tanpa pengawasan.

i.cluster adalah algoritma pengelompokan (modifikasi dari k-berarti algoritma pengelompokan)
yang membaca data citra (raster) dan membangun kluster piksel berdasarkan
reflektansi spektral piksel (lihat Gambar). Cluster piksel adalah citra
kategori yang dapat dikaitkan dengan jenis tutupan lahan di lapangan. Spektral
distribusi cluster (misalnya, tanda tangan spektral tutupan lahan) dipengaruhi oleh enam
parameter yang ditetapkan oleh pengguna. Parameter relevan yang ditetapkan oleh pengguna adalah jumlah awal
cluster yang akan didiskriminasi.

Ara.: Tanah penggunaan/tanah menutupi kekelompokan of LANDSAT adegan
(disederhanakan)

i.cluster dimulai dengan menghasilkan tanda tangan spektral untuk jumlah cluster ini dan
"berusaha" untuk mendapatkan jumlah cluster ini selama proses clustering. NS
jumlah cluster yang dihasilkan dan distribusi spektralnya, bagaimanapun, juga
dipengaruhi oleh kisaran nilai spektral (nilai kategori) dalam file gambar dan
parameter lain yang ditetapkan oleh pengguna. Parameter tersebut adalah: ukuran cluster minimum,
pemisahan cluster minimum, persen konvergensi, jumlah maksimum iterasi, dan
interval sampling baris dan kolom.

Tanda tangan spektral cluster yang dihasilkan terdiri dari rata-rata cluster dan kovarians
matriks. Rata-rata cluster dan matriks kovarians ini digunakan dalam lintasan kedua
(i.maxlik) untuk mengklasifikasikan gambar. Hasil cluster atau kelas spektral dapat dikaitkan
untuk jenis tutupan lahan di tanah. Pengguna harus menentukan nama file grup,
nama file subkelompok, nama file yang berisi tanda tangan hasil, nomor awal
cluster yang akan didiskriminasi, dan parameter opsional lainnya (lihat di bawah) di mana
kelompok harus berisi file citra yang ingin diklasifikasi oleh pengguna. NS subkelompok is
subset dari grup ini. Pengguna harus membuat grup dan subgrup dengan menjalankan GRASS
program i.grup sebelum berlari i.cluster. Subgrup harus hanya berisi citra
file band yang ingin diklasifikasi oleh pengguna. Perhatikan bahwa subgrup ini harus berisi lebih banyak
dari satu berkas pita. Tujuan dari grup dan subgrup adalah untuk mengumpulkan lapisan peta untuk
klasifikasi atau analisis. NS file tanda tangan adalah file yang berisi tanda tangan hasil
yang dapat digunakan sebagai masukan untuk i.maxlik. Nilai kelas adalah jumlah awal dari
klaster yang akan didiskriminasi; nilai parameter apa pun yang tidak ditentukan disetel ke
nilai dasar.

Parameter:
grup=nama
Nama file grup yang berisi file citra yang diinginkan pengguna
menggolongkan.

subgrup=nama
Nama subset grup yang ditentukan dalam opsi grup, yang hanya boleh berisi
file pita citra dan lebih dari satu file pita. Pengguna harus membuat grup dan a
subgrup dengan menjalankan program GRASS i.grup sebelum berlari i.cluster.

file tanda tangan =nama
Nama yang diberikan ke file tanda tangan keluaran yang berisi tanda tangan kelas dan
dapat digunakan sebagai file input untuk program GRASS i.maxlik untuk yang tidak diawasi
klasifikasi.

kelas=nilai
Jumlah cluster yang awalnya akan diidentifikasi dalam proses clustering
sebelum iterasi dimulai.

benih =nama
Nama file tanda tangan benih adalah opsional. Tanda tangan benih adalah tanda tangan yang
mengandung rata-rata cluster dan matriks kovarians yang dihitung sebelum
lari saat ini i.cluster. Mereka mungkin diperoleh dari menjalankan sebelumnya i.cluster or
dari bagian situs pelatihan tanda tangan klasifikasi yang diawasi (misalnya, menggunakan
keluaran file tanda tangan oleh g.gui.iclass). Tujuan dari seed signature adalah untuk mengoptimalkan
batas keputusan cluster (means) untuk jumlah cluster yang ditentukan.

sampel =baris_interval,kol_interval
Angka-angka ini opsional dengan nilai default berdasarkan ukuran kumpulan data seperti:
bahwa total piksel yang akan diproses adalah sekitar 10,000 (pertimbangkan pembulatan ke atas).

iterasi =nilai
Parameter ini menentukan jumlah maksimum iterasi yang lebih besar dari
jumlah iterasi yang diprediksi mencapai persen konvergensi optimum. Standarnya
nilainya 30. Jika jumlah iterasi mencapai maksimum yang ditentukan oleh pengguna;
pengguna mungkin ingin menjalankan kembali i.cluster dengan jumlah iterasi yang lebih tinggi (lihat
berkas laporan).
Standar: 30

konvergensi =nilai
Konvergensi persen tinggi adalah titik di mana cluster berarti menjadi stabil selama
proses iterasi. Nilai defaultnya adalah 98.0 persen. Ketika cluster sedang
dibuat, sarana mereka terus berubah saat piksel ditetapkan untuk mereka dan sarana
dihitung ulang untuk memasukkan piksel baru. Setelah semua cluster dibuat,
i.cluster memulai iterasi yang mengubah cara cluster dengan memaksimalkan jarak
diantara mereka. Saat ini berarti pergeseran, konvergensi yang lebih tinggi dan lebih tinggi didekati.
Karena rata-rata tidak akan pernah benar-benar statis, konvergensi persen dan maksimum
jumlah iterasi disediakan untuk menghentikan proses iterasi. persen
konvergensi harus dicapai sebelum jumlah maksimum iterasi. Jika maksimum
jumlah iterasi tercapai, kemungkinan persen konvergensi yang diinginkan
tidak tercapai. Jumlah iterasi dilaporkan dalam statistik cluster di
berkas laporan (lihat berkas laporan).
Standar: 98.0

perpisahan=nilai
Ini adalah pemisahan minimum di bawah cluster mana yang akan digabungkan dalam iterasi
proses. Nilai defaultnya adalah 0.0. Ini adalah nomor khusus gambar (nomor "ajaib")
itu tergantung pada data gambar yang diklasifikasikan dan jumlah cluster akhir yang
dapat diterima. Penentuannya membutuhkan eksperimen. Perhatikan bahwa sebagai minimum
pemisahan kelas (atau cluster) meningkat, jumlah maksimum iterasi harus
juga ditingkatkan untuk mencapai pemisahan ini dengan persentase konvergensi yang tinggi
(Lihat konvergensi).
Standar: 0.0

ukuran_min=nilai
Ini adalah jumlah piksel minimum yang akan digunakan untuk mendefinisikan sebuah cluster, dan adalah
oleh karena itu jumlah piksel minimum yang berarti dan matriks kovariansnya adalah
dihitung.
Standar: 17

berkas laporan=nama
File laporan adalah parameter opsional yang berisi hasil, yaitu:
statistik untuk setiap cluster. Juga termasuk konvergensi persen yang dihasilkan untuk
cluster, jumlah iterasi yang diperlukan untuk mencapai konvergensi,
dan matriks keterpisahan.

CATATAN

Sampling metode
i.cluster tidak mengelompokkan semua piksel, tetapi hanya sampel (lihat parameter mencicipi). Itu
hasil dari pengelompokan itu bukanlah semua piksel ditugaskan ke sebuah cluster tertentu;
pada dasarnya, hanya tanda tangan yang mewakili cluster tertentu yang dihasilkan.
Saat berlari i.cluster pada data yang sama meminta jumlah kelas yang sama, tetapi dengan
ukuran sampel yang berbeda, kemungkinan tanda tangan yang sedikit berbeda untuk setiap cluster diperoleh
pada setiap lari.

Algoritma bekas untuk i.cluster
Algoritma menggunakan parameter input yang ditetapkan oleh pengguna pada jumlah awal cluster,
jarak minimum antar cluster, dan korespondensi antar iterasi yaitu
diinginkan, dan ukuran minimum untuk setiap cluster. Itu juga menanyakan apakah semua piksel akan dikelompokkan, atau
setiap baris "x" dan kolom "y" (pengambilan sampel), korespondensi antar iterasi
diinginkan, dan jumlah maksimum iterasi yang harus dilakukan.

Pada lintasan pertama, rata-rata klaster awal untuk setiap pita ditentukan dengan memberikan yang pertama
cluster nilai yang sama dengan band mean dikurangi simpangan bakunya, dan cluster terakhir
nilai yang sama dengan mean band ditambah deviasi standarnya, dengan semua mean cluster lainnya
didistribusikan sama spasi di antara ini. Setiap piksel kemudian ditugaskan ke kelas
yang paling dekat, jarak diukur sebagai jarak Euclidean. Semua cluster dikurangi
dari jarak minimum yang ditentukan pengguna kemudian digabungkan. Jika sebuah cluster memiliki kurang dari
jumlah piksel minimum yang ditentukan pengguna, semua piksel itu kembali dipindahkan ke yang berikutnya
klaster terdekat. Rata-rata cluster baru dihitung untuk setiap band sebagai rata-rata raster
nilai piksel di pita itu untuk semua piksel yang ada di cluster itu.

Pada lintasan ke-2, piksel sekali lagi dipindahkan ke klaster berdasarkan cara klaster baru.
Rata-rata cluster kemudian dihitung ulang. Proses ini diulangi sampai
korespondensi antara iterasi mencapai tingkat yang ditentukan pengguna, atau hingga maksimum
jumlah iterasi yang ditentukan sudah berakhir, mana yang lebih dulu.

CONTOH

Mempersiapkan statistik untuk klasifikasi subscene LANDSAT yang tidak diawasi di Utara
Karolina:
g.region raster=lsat7_2002_10 -p
# simpan VIZ, NIR, MIR ke dalam grup/subgrup (keluarkan TIR)
grup i.grup=lsat7_2002 subgrup=lsat7_2002 \
input=lsat7_2002_10,lsat7_2002_20,lsat7_2002_30,lsat7_2002_40,lsat7_2002_50,lsat7_2002_70
# menghasilkan file dan laporan tanda tangan
i.cluster grup=lsat7_2002 subgrup=lsat7_2002 \
file tanda tangan=sig_cluster_lsat2002 \
class=10 file laporan=rep_clust_lsat2002.txt
Untuk menyelesaikan klasifikasi tanpa pengawasan, i.maxlik selanjutnya digunakan. Lihat contoh
di halaman manualnya.

Gunakan i.clustergrass online menggunakan layanan onworks.net