pksvm: online nel cloud

PROGRAMMA:

NOME

pksvm: classifica l'immagine raster utilizzando Support Vector Machine

SINOSSI

pksvm -t formazione [-i ingresso] [-o produzione] [-CV APPREZZIAMO] [Opzioni] [Avanzate Opzioni]

DESCRIZIONE

pksvm implementa una Support Vector Machine (SVM) per risolvere una classificazione supervisionata
problema. L'implementazione si basa sulla libreria C++ open source libSVM
(http://www.csie.ntu.edu.tw/~cjlin/libsvm). Sono supportati sia i file raster che quelli vettoriali
ingresso. L'output conterrà il risultato della classificazione, in formato raster o vettoriale
format, corrispondente al formato dell'input. È necessario fornire un campione di formazione come
un dataset vettoriale OGR che contiene le etichette delle classi e le funzionalità di ogni formazione
punto. Le posizioni dei punti non vengono considerate nella fase di training. Puoi usare lo stesso
campione di addestramento per classificare immagini diverse, fornito il numero di bande del
le immagini sono identiche. Utilizzare l'utilità pkextract per creare un campione di addestramento adatto,
sulla base di un campione di punti o poligoni. Per le mappe di output raster è possibile allegare un colore
tabella utilizzando l'opzione -ct.

VERSIONI

-t Nome del file, --formazione Nome del file
File vettoriale di addestramento. Un singolo file vettoriale contiene tutte le funzionalità di allenamento (deve essere
impostato come: b0, b1, b2,...) per tutte le classi (numeri di classe identificati dall'opzione etichetta).
Utilizza più file di training per l'aggregazione bootstrap (in alternativa a --borsa ed
--dimensione della borsa opzioni, dove un sottoinsieme casuale viene preso da un singolo file di training)

-i Nome del file, --ingresso Nome del file
immagine in ingresso

-o Nome del file, --produzione Nome del file
Immagine di classificazione dell'output

-CV APPREZZIAMO, --CV APPREZZIAMO
Modalità di convalida incrociata N volte (impostazione predefinita: 0)

-tln strato, --tln strato
Nomi dei livelli di formazione

-c Nome, --classe Nome
Elenco dei nomi delle classi.

-r APPREZZIAMO, --riclassifica APPREZZIAMO
Elenco dei valori delle classi (utilizzare lo stesso ordine di in --classe opzione).

-Di Formato GDAL, --oformat Formato GDAL
Formato immagine di output (vedi anche gdal_translate(1)).

-f formato, --F formato
Formato ogr di output per il campione di training attivo

-co NAME = VALUE, --co NAME = VALUE
Opzione di creazione per il file di output. È possibile specificare più opzioni.

-ct Nome del file, --ct Nome del file
Tabella colori in formato ASCII a 5 colonne: id RGB ALFA (0: trasparente, 255:
solido)

-etichetta attributo, --etichetta attributo
Identificatore per l'etichetta della classe nel file vettoriale di addestramento. (impostazione predefinita: etichetta)

-precedente APPREZZIAMO, --prima APPREZZIAMO
Probabilità a priori per ciascuna classe (ad esempio, -precedente 0.3 -precedente 0.3 -precedente 0.2) Usato
solo per input (ignorato per la convalida incrociata)

-g gamma, --gamma gamma
Gamma nella funzione del kernel

-cc costo, --costo costo
Il parametro C di C_SVC, epsilon_SVR e nu_SVR

-m Nome del file, --maschera Nome del file
Classificare solo all'interno della maschera specificata (vettoriale o raster). Per la maschera raster, impostare
valori nodata con l'opzione --msknodata.

-msknodata APPREZZIAMO, --msknodata APPREZZIAMO
Valore/i della maschera da non considerare per la classificazione. I valori verranno ripresi
immagine di classificazione.

-nessun dato APPREZZIAMO, --nessun dato APPREZZIAMO
Valore Nodata da inserire dove l'immagine è mascherata come nodata

-v livello, --verboso livello
Livello dettagliato

Opzioni avanzate

-b gruppo musicale, --gruppo musicale gruppo musicale
Indice di banda (a partire da 0, utilizzare anche --gruppo musicale opzione o uso --banda di partenza a
--banda finale)

-sbandare gruppo musicale, --banda di partenza gruppo musicale
Numero di sequenza della banda iniziale

-ebanda gruppo musicale, --banda finale gruppo musicale
Numero di sequenza di fine banda

-bal Taglia, --bilancia Taglia
Bilanciare i dati di input su questo numero di campioni per ciascuna classe

-min numero, --min numero
Se il numero di pixel di addestramento è inferiore al minimo, non prendere in considerazione questa classe
(0: considera tutte le classi)

-sacchetto APPREZZIAMO, --borsa APPREZZIAMO
Numero di aggregazioni bootstrap (l'impostazione predefinita è senza bagging: 1)

-dimensione della borsa APPREZZIAMO, --dimensione della borsa APPREZZIAMO
Percentuale di funzionalità utilizzate dalle funzionalità di formazione disponibili per ogni bootstrap
aggregazione (una dimensione per tutte le classi o una dimensione diversa per ciascuna classe
rispettivamente

-pettine regola, --pettine regola
Come combinare i classificatori di aggregazione bootstrap (0: regola somma, 1: regola prodotto, 2:
regola massima). Utilizzato anche per aggregare classi con l'opzione rc.

-cb Nome del file, --borsa di classe Nome del file
Output per ogni singola aggregazione bootstrap

-proba Nome del file, --proba Nome del file
Immagine di probabilità.

-compensare APPREZZIAMO, --compensare APPREZZIAMO
Valore di offset per ciascuna caratteristica di ingresso della banda spettrale:
refl[banda]=(DN[banda]-offset[banda])/scala[banda]

-scala APPREZZIAMO, --scala APPREZZIAMO
Valore di scala per ciascuna caratteristica di ingresso della banda spettrale:
refl=(DN[banda]-offset[banda])/scale[banda] (utilizzare 0 se scala min e max in ciascuna banda
a -1.0 e 1.0)

-svmt Digitare, --svmtype Digitare
Tipo di SVM (C_SVC, nu_SVC,one_class, epsilon_SVR, nu_SVR)

-kt Digitare, --kerneltype Digitare
Tipo di funzione kernel (lineare, polinomiale, radiale, sigmoide)

-kd APPREZZIAMO, --kd APPREZZIAMO
Laurea in funzione del kernel

-c0 APPREZZIAMO, --coef0 APPREZZIAMO
Coef0 nella funzione del kernel

-nu APPREZZIAMO, --nu APPREZZIAMO
Il parametro nu di nu-SVC, SVM a una classe e nu-SVR

-perdita APPREZZIAMO, --perdita APPREZZIAMO
L'epsilon in funzione di perdita di epsilon-SVR

-cache numero, --cache numero
Cache ⟨http://pktools.nongnu.org/html/classCache.html⟩ dimensione della memoria in MB (impostazione predefinita:
100)

-etolo APPREZZIAMO, --etol APPREZZIAMO
la tolleranza del criterio di terminazione (default: 0.001)

-restringersi, --restringersi
Se utilizzare l'euristica di contrazione

creato numero, --nativo numero
Numero di punti di allenamento attivi

ESEMPIO

Classificare l'immagine di input input.tif con una macchina vettoriale di supporto. Un campione di formazione cioè
fornito come set di dati vettoriali OGR. Contiene tutte le funzionalità (stessa dimensionalità di
input.tif) nei suoi campi (controllare pkeextract(1) su come ottenere tale file da a
file vettoriale "pulito" contenente solo posizioni). Una doppia convalida incrociata (cv) lo è
eseguito (output sullo schermo). I parametri costo e gamma della macchina vettoriale di supporto
sono impostati rispettivamente su 1000 e 0.1. Una tabella dei colori (un file di testo a cinque colonne: image
valore, ROSSO, VERDE, BLU, ALFA) è stato fornito anche.

pksvm -i input.tif -t formazione.sqlite -o uscita.tif -CV 2 -ct tabellacolori.txt -cc 1000 -g 0.1

Classificazione mediante aggregazione bootstrap. Il campione di addestramento viene suddiviso in modo casuale
tre sottocampioni (33% del campione originale ciascuno).

pksvm -i input.tif -t formazione.sqlite -o uscita.tif -bs 33 -sacchetto 3

Classificazione mediante probabilità a priori per ciascuna classe. I priori sono automaticamente
normalizzato. L'ordine in cui sono presenti le opzioni -p sono forniti dovrebbero rispettare il carattere alfanumerico
ordine dei nomi delle classi (la classe 10 viene prima della 2...)

pksvm -i input.tif -t formazione.sqlite -o uscita.tif -p 1 -p 1 -p 1 -p 1 -p 1 -p 1 -p 1 -p 1 -p 1 -p 1 -p 1 -p 0.2 -p 1 -p 1 -p 1

24 Gennaio 2016 pksvm(1)

Utilizza pksvm online utilizzando i servizi onworks.net