i.gensigsetgrass - クラウドでオンライン

プログラム：

NAME

i.gensigset - ラスター マップから i.smap の統計を生成します。

KEYWORDS

画像、分類、教師あり分類、SMAP、署名

SYNOPSIS

i.gensigset
i.gensigset - 助けて
i.gensigset トレーニングマップ=名 グループヘッド=名 サブグループ=名 署名ファイル=名 [最大値=整数]
[-助けます] [-詳細] [-静かな] [-ui]

フラグ：
- 助けて
使用状況の概要を印刷する

-詳細
冗長モジュール出力

- 静かな
静かなモジュール出力

--ui
GUIダイアログを強制的に起動する

パラメーター：
トレーニングマップ=名 [必要]
グラウンドトゥルーストレーニングマップ

グループヘッド=名 [必要]
入力画像グループの名前

サブグループ=名 [必要]
入力画像サブグループの名前

署名ファイル=名 [必要]
結果の署名を含む出力ファイルの名前

最大値=整数
任意のクラス内のサブ署名の最大数
デフォルト： 5

DESCRIPTION

i.gensigset への入力を生成する非対話型の方法です。 i.スマップ。 として使用されます
XNUMX パス分類プロセスの最初のパス。 ラスターマップレイヤーを読み込み、
これはトレーニング マップと呼ばれ、すでに分類されたピクセルまたは領域の一部が含まれています。
i.gensigset 次に、に基づいて画像からスペクトル シグネチャを抽出します。
トレーニング マップ内のピクセルを分類し、これらの署名を利用できるようにします。
i.スマップ。

その後、ユーザーは GRASS プログラムを実行します。 アイ・スマップ 最終的な機密マップを作成します。

OPTIONS

技術パラメータ
トレーニングマップ=名
グラウンドトゥルーストレーニングマップ

ユーザーが入力として指定したこのラスター レイヤーには、ピクセルの一部がすでに含まれています
分類され、残りの (おそらくほとんどの) ピクセルは分類されません。 機密手段
ピクセルがゼロ以外の値を持ち、未分類とは、ピクセルがゼロであることを意味します
の値です。

このマップは、ユーザーが事前に以下を組み合わせて作成する必要があります。 wxGUI ベクトル
デジタイザー 　 v.to.rast、または他のインポート/開発プロセス (例: v.トランセクト) 〜へ
画像内のクラスを表す領域を定義します。

現時点では、これを作成するために特別に設計された完全にインタラクティブなツールはありません。
層。

グループ=名
画像グループ

これは、画像を構成するバンド ファイルを含むグループの名前です。
分析されました。 の i.グループ コマンドは、以下を構成するラスター レイヤーのグループを構築するために使用されます。
画像。

サブグループ=名
画像ファイルを含むサブグループ

これにより、バンドのサブセットを選択するグループ内のサブグループに名前が付けられます。
分析されました。 の i.グループ コマンドは、このサブグループを準備するためにも使用されます。 サブグループ
このメカニズムにより、ユーザーは画像を形成するすべてのバンド ファイルのサブセットを選択できます。

署名ファイル=名
結果として得られる署名ファイル

これは、結果として得られる署名ファイル (平均行列と共分散行列を含む) です。
サブグループ内のバンド ファイルに関連付けられているトレーニング マップ内の各クラス
選択された。

maxsig=値
任意のクラス内のサブ署名の最大数
デフォルト：5

このプログラムによって生成されるスペクトル シグネチャは、「混合」シグネチャです (「混合」シグネチャを参照)。
ノート）。 各シグネチャには XNUMX つ以上のサブシグネチャ (サブクラスを表す) が含まれています。 の
このプログラムのアルゴリズムは、サブクラスの最大数から開始し、サブクラスの数を減らします。
スペクトル的に異なるサブクラスの数を最小限に抑えます。 ユーザーが持っているのは、
オプションを使用してこの開始値を設定します。

インタラクティブ モード

コマンドラインで引数が何も指定されていない場合、 i.gensigset インタラクティブに
これらのマップとファイルの名前を入力するプロンプトが表示されます。

ここでのインタラクティブ モードとは、マップのインタラクティブなプロンプトのみを意味することに注意してください。
そしてファイル。 これは、プロセスの結果として得られる署名を視覚化することを意味するものではありません。

注意事項

のアルゴリズム i.gensigset として知られるスペクトルクラスモデルのパラメータを決定します。
混合ガウス分布。 マルチスペクトル画像を使用してパラメータを推定
データと、画像ピクセルのサブセットのクラスにラベルを付けるトレーニング マップです。 の
混合クラスのパラメーターは、後続のクラスに使用できるクラス シグネチャとして保存されます。
マルチスペクトル画像のセグメンテーション (つまり、分類)。

混合ガウス クラスは、次のことを説明するために使用できるため、便利なモデルです。
さまざまな異なるスペクトルを持つピクセルを含む情報クラスの動作
特徴。 たとえば、森林、草原、都市部などがその例です。
ユーザーが画像内で分離したい情報クラス。 ただし、これらのそれぞれは、
情報クラスには、それぞれが独自のスペクトルを持つサブクラスが含まれる場合があります
特性。 たとえば、森林にはさまざまな樹種が含まれる場合があります。
それぞれが独自のスペクトル動作を持ちます。

混合クラスの目的は、それぞれをモデル化することでセグメンテーションのパフォーマンスを向上させることです。
情報クラスはさまざまなサブクラスと確率的に混合されたものです。 混合物
クラス モデルでは、最初の教師なしセグメンテーションを実行する必要もなくなります。
これらのサブクラスを識別する目的。 ただし、誤って分類されたサンプルが使用された場合、
トレーニング プロセスでは、これらの誤ったサンプルが別の望ましくないサンプルとしてグループ化される可能性があります。
サブクラス。 したがって、正確なトレーニング データを提供するように注意する必要があります。

このクラスタリング アルゴリズムは、各クラス内の個別のサブクラスの数と、
各サブクラスのスペクトル平均と共分散。 サブクラスの数は
Rissanen の最小記述長 (MDL) 基準 [1] を使用して推定されます。 この基準
データを「最もよく」記述するサブクラスの数を決定しようとします。 の
サブクラスの平均と共分散の近似最尤推定値は次のとおりです。
期待値最大化 (EM) アルゴリズム [2,3、XNUMX] を使用して計算されます。

警告

このような警告が発生した場合は、残りのクラスを 0 に減らします。
...
警告: 単数形のサブ署名番号 1 を削除しました (4 は残ります)
警告: 単数形のサブ署名番号 1 を削除しました (3 は残ります)
警告: 単数形のサブ署名番号 1 を削除しました (2 は残ります)
警告: 単数形のサブ署名番号 1 を削除しました (1 は残ります)
警告: 信頼性の低いクラスタリングです。 初期のクラスター数を少なくしてみてください
警告: 単数形のサブ署名番号 1 が削除されました (-1 は残ります)
警告: 信頼性の低いクラスタリングです。 初期のクラスター数を少なくしてみてください
サブクラスの数は 0 です
ユーザーは次のことを確認する必要があります。

· 入力データの範囲は 0 から 100 または 255 の間である必要がありますが、0.0 の間であってはなりません
と1.0（r.info 　 r.univar 範囲を表示します)

· トレーニング領域には十分な量のピクセルが含まれている必要があります

参考文献

· J. Rissanen、「整数の普遍事前確率と最小記述による推定」
長さ、" 年報 of 統計、 巻。 11、いいえ。 2、417-431ページ、1983年。

· A. デンプスター、N. レアード、D. ルービン、「不完全なデータからの最大尤度
EMアルゴリズム」 J. ロイ。 統計学者。 Soc。 B, 巻。 39、いいえ。 1、1-38ページ、1977年。

· E. Redner および H. Walker、「混合密度、最尤法、および EM」
アルゴリズム、" SIAM レビュー、 巻。 26、いいえ。 2 年 1984 月 XNUMX 日。

onworks.net サービスを使用してオンラインで i.gensigsetgrass を使用する