i.clustergrass - Online w chmurze

PROGRAM:

IMIĘ

i. klaster - Generuje sygnatury widmowe dla typów pokrycia terenu na obrazie za pomocą a
algorytm grupowania.
Wynikowy plik podpisu jest używany jako dane wejściowe dla i.maxlik w celu wygenerowania pliku bez nadzoru
klasyfikacja obrazu.

SŁOWA KLUCZOWE

obrazy, klasyfikacja, podpisy

STRESZCZENIE

i. klaster
i. klaster --help
i. klaster grupa=Nazwa podgrupa=Nazwa plik podpisu=Nazwa Klasy=liczba całkowita [nasienie=Nazwa]
[próba=interwał_wiersza,interwał_kolumny] [iteracje=liczba całkowita] [konwergencja=unosić się]
[rozdzielenie=unosić się] [min_rozmiar=liczba całkowita] [plik raportu=Nazwa] [--przepisać] [--pomoc]
[--gadatliwy] [--cichy] [--ui]

Flagi:
--przepisać
Zezwalaj plikom wyjściowym na zastępowanie istniejących plików

--help
Wydrukuj podsumowanie wykorzystania

--gadatliwy
Pełne wyjście modułu

--cichy
Cichy moduł wyjściowy

--UI
Wymuś uruchomienie okna GUI

Parametry:
grupa=Nazwa [wymagany]
Nazwa grupy obrazów wejściowych

podgrupa=Nazwa [wymagany]
Nazwa podgrupy obrazów wejściowych

plik podpisu=Nazwa [wymagany]
Nazwa pliku wyjściowego zawierającego podpisy wyników

Klasy=liczba całkowita [wymagany]
Początkowa liczba zajęć
Opcje: 1-255

nasienie=Nazwa
Nazwa pliku zawierającego podpisy początkowe

próba=interwał_wiersza,interwał_kolumny
Częstotliwość próbkowania (wg wierszy i kol.); domyślnie: ~10,000 XNUMX pikseli

iteracje=liczba całkowita
Maksymalna liczba iteracji
Zaniedbanie: 30

konwergencja=unosić się
Zbieżność procentowa
Opcje: 0-100
Zaniedbanie: 98.0

rozdzielenie=unosić się
Separacja klastrów
Zaniedbanie: 0.0

min_rozmiar=liczba całkowita
Minimalna liczba pikseli w klasie
Zaniedbanie: 17

plik raportu=Nazwa
Nazwa pliku wyjściowego zawierającego raport końcowy

OPIS

i. klaster wykonuje pierwszy przebieg w dwuprzebiegowej klasyfikacji zobrazowań bez nadzoru,
natomiast moduł GRASS i.maxlik wykonuje drugie przejście. Obydwa polecenia muszą zostać uruchomione
dokończ klasyfikację nienadzorowaną.

i. klaster jest algorytmem grupowania (modyfikacja k-oznacza algorytm grupowania)
który odczytuje (rastrowe) dane obrazów i tworzy klastry pikseli na podstawie
współczynniki odbicia widmowego pikseli (patrz rysunek). Skupiska pikseli to obrazy
kategorie, które można powiązać z rodzajami pokrycia terenu na ziemi. Spektralny
na rozkłady klastrów (np. sygnatury widmowe pokrycia terenu) wpływa sześć
parametry ustawione przez użytkownika. Istotnym parametrem ustawianym przez użytkownika jest początkowa liczba
klastry podlegające dyskryminacji.

Figa.: Kraj używać/ziemić pokrywa klastrowanie of LANDSAT scena
(uproszczony)

i. klaster rozpoczyna się od wygenerowania sygnatur widmowych dla tej liczby klastrów i
„próbuje” uzyskać taką liczbę klastrów podczas procesu grupowania. The
jednak wynikająca z tego liczba klastrów i ich rozkłady widmowe również są
pod wpływem zakresu wartości widmowych (wartości kategorii) w plikach obrazów i
pozostałe parametry ustawione przez użytkownika. Parametry te to: minimalny rozmiar klastra,
minimalna separacja klastrów, procent zbieżności, maksymalna liczba iteracji oraz
interwały próbkowania wierszy i kolumn.

Powstałe sygnatury widmowe klastrów składają się ze średnich klastrów i kowariancji
matryce. Te średnie skupień i macierze kowariancji są używane w drugim przebiegu
(i.maxlik), aby sklasyfikować obraz. Wyniki klastrów lub klas widmowych można powiązać
do typów pokrycia terenu na ziemi. Użytkownik musi określić nazwę pliku grupy,
nazwa pliku podgrupy, nazwa pliku zawierającego podpisy wyników, numer początkowy
klastrów do rozróżnienia i opcjonalnie inne parametry (patrz poniżej), gdzie
grupa powinien zawierać pliki obrazów, które użytkownik chce sklasyfikować. The podgrupa is
podzbiór tej grupy. Użytkownik musi utworzyć grupę i podgrupę, uruchamiając GRASS
program i.grupa przed uruchomieniem i. klaster. Podgrupa powinna zawierać wyłącznie obrazy
band, które użytkownik chce sklasyfikować. Należy pamiętać, że ta podgrupa musi zawierać więcej
niż jeden plik zespołu. Celem grupy i podgrupy jest gromadzenie warstw map
klasyfikacja lub analiza. The plik podpisu to plik zawierający podpisy wyników
które można wykorzystać jako dane wejściowe i.maxlik. Wartość klas jest początkową liczbą
klastry podlegające dyskryminacji; wszelkie wartości parametrów pozostawione nieokreślone są ustawiane na ich
wartości domyślne.

Parametry:
grupa=Nazwa
Nazwa pliku grupowego zawierającego pliki obrazów wymagane przez użytkownika
klasyfikować.

podgrupa=Nazwa
Nazwa podzbioru grupy określonej w opcji group, która musi zawierać tylko
pliki pasm obrazów i więcej niż jeden plik pasm. Użytkownik musi utworzyć grupę i a
podgrupę, uruchamiając program GRASS i.grupa przed uruchomieniem i. klaster.

plik podpisu=Nazwa
Nazwa przypisana do pliku sygnatur wyjściowych, który zawiera sygnatury klas i
może być użyty jako plik wejściowy dla programu GRASS i.maxlik dla osoby bez nadzoru
Klasyfikacja.

klasy=wartość
Liczba klastrów, które zostaną początkowo zidentyfikowane w procesie grupowania
przed rozpoczęciem iteracji.

ziarno=Nazwa
Nazwa pliku podpisu materiału siewnego jest opcjonalna. Podpisy nasion są podpisami, które
zawierają średnie skupień i macierze kowariancji, które zostały obliczone przed
bieżący przebieg i. klaster. Można je nabyć z wcześniejszej serii i. klaster or
z nadzorowanej sekcji witryny szkoleniowej dotyczącej podpisów klasyfikacyjnych (np. przy użyciu pliku
wyjście pliku podpisu przez g.gui.iclass). Celem sygnatur nasion jest optymalizacja
granice decyzji klastrów (średnie) dla określonej liczby klastrów.

próbka=interwał_wiersza,interwał_kolumny
Liczby te są opcjonalne i mają wartości domyślne oparte na rozmiarze zestawu danych, np
że całkowita liczba pikseli do przetworzenia wynosi około 10,000 XNUMX (rozważ zaokrąglenie w górę).

iteracje =wartość
Parametr ten określa maksymalną liczbę iteracji, która jest większa od
liczba iteracji przewidywana w celu osiągnięcia optymalnej zbieżności procentowej. Domyślny
wartość wynosi 30. Jeżeli liczba iteracji osiągnie maksimum wyznaczone przez użytkownika;
użytkownik może chcieć uruchomić ponownie i. klaster przy większej liczbie iteracji (patrz
plik raportu).
Domyślnie: 30

zbieżność=wartość
Wysokoprocentowa zbieżność to punkt, w którym średnie klastra stają się stabilne
proces iteracji. Wartość domyślna to 98.0 procent. Kiedy powstają klastry
utworzone, ich środki stale się zmieniają w miarę przypisywania do nich pikseli i środków
są ponownie obliczane, aby uwzględnić nowy piksel. Po utworzeniu wszystkich klastrów
i. klaster rozpoczyna iteracje zmieniające średnie skupień poprzez maksymalizację odległości
między nimi. W miarę przesuwania się tych środków osiągana jest coraz większa zbieżność.
Ponieważ środki nigdy nie staną się całkowicie statyczne, procentowa zbieżność i maksimum
liczba iteracji jest dostarczana w celu zatrzymania procesu iteracyjnego. Procent
zbieżność powinna zostać osiągnięta przed maksymalną liczbą iteracji. Jeśli maksymalnie
liczba iteracji zostanie osiągnięta, prawdopodobne jest osiągnięcie pożądanej zbieżności procentowej
nie został osiągnięty. Liczba iteracji jest raportowana w statystykach klastrów w pliku
plik raportu (patrz plik raportu).
Domyślnie: 98.0

separacja=wartość
Jest to minimalna odległość, poniżej której klastry zostaną połączone w iteracji
proces. Wartość domyślna to 0.0. To jest liczba specyficzna dla obrazu (liczba „magiczna”)
zależy to od klasyfikowanych danych obrazu i liczby końcowych klastrów
są akceptowalne. Jego określenie wymaga eksperymentów. Należy pamiętać, że jako minimum
zostanie zwiększona separacja klas (lub klastrów), powinna zostać zwiększona maksymalna liczba iteracji
również zostać zwiększone, aby osiągnąć tę separację z wysokim procentem zbieżności
(Patrz konwergencja).
Domyślnie: 0.0

min_rozmiar=wartość
Jest to minimalna liczba pikseli, która zostanie użyta do zdefiniowania klastra
zatem minimalna liczba pikseli, dla których będą stosowane macierze średnich i kowariancji
obliczony.
Domyślnie: 17

plik raportu=Nazwa
Plik raportu jest opcjonalnym parametrem, który zawiera wynik, tj
statystyki dla każdego klastra. Uwzględniono także wynikową zbieżność procentową dla
klastry, liczba iteracji jaka była wymagana do osiągnięcia zbieżności,
oraz macierz separacji.

UWAGI

Próbowanie metoda
i. klaster nie grupuje wszystkich pikseli, a jedynie próbkę (patrz parametr próba).
efektem tego grupowania nie jest przypisanie wszystkich pikseli do danego klastra;
zasadniczo generowane są tylko sygnatury reprezentatywne dla danego klastra.
Podczas biegu i. klaster na tych samych danych z prośbą o tę samą liczbę klas, ale z
różne rozmiary próbek, prawdopodobnie uzyskuje się nieco inne sygnatury dla każdego klastra
przy każdym biegu.

Algorytm używany dla i. klaster
Algorytm wykorzystuje parametry wejściowe ustawione przez użytkownika na początkową liczbę skupień, tj
minimalna odległość między klastrami i zgodność między iteracjami
żądany i minimalny rozmiar każdego klastra. Pyta także, czy wszystkie piksele mają zostać zgrupowane, lub
każdy „x” wiersz i „y” kolumna (próbkowanie), zgodność między iteracjami
żądaną liczbę iteracji oraz maksymalną liczbę iteracji, które należy wykonać.

W pierwszym przebiegu początkowe średnie skupień dla każdego pasma są definiowane poprzez podanie pierwszego
skupienie wartość równą średniej pasma minus jego odchylenie standardowe i ostatnie skupienie
wartość równa średniej pasma plus jego odchylenie standardowe, ze wszystkimi innymi średnimi skupień
rozmieszczone w równych odstępach pomiędzy nimi. Każdy piksel jest następnie przypisywany do klasy
do którego jest najbliżej, przy czym odległość mierzy się jako odległość euklidesową. Wszystkie klastry mniej
niż minimalna odległość określona przez użytkownika, są następnie łączone. Jeśli klaster ma mniej niż
określona przez użytkownika minimalna liczba pikseli, wszystkie te piksele są ponownie przypisywane do następnego
najbliższe skupisko. Nowe średnie skupień są obliczane dla każdego pasma jako średnia rastra
wartości pikseli w tym paśmie dla wszystkich pikseli znajdujących się w tym klastrze.

W drugim przebiegu piksele są ponownie przypisywane do klastrów w oparciu o nowe średnie klastrów.
Następnie ponownie oblicza się średnie skupień. Proces ten powtarza się aż do
zgodność pomiędzy iteracjami osiąga poziom określony przez użytkownika lub aż do maksimum
liczba określonych iteracji dobiegła końca, w zależności od tego, co nastąpi wcześniej.

PRZYKŁAD

Przygotowanie statystyk do nienadzorowanej klasyfikacji podsceny LANDSAT na północy
Karolina:
g.region raster=lsat7_2002_10 -str
# zapisz VIZ, NIR, MIR w grupie/podgrupie (pomijając TIR)
i.group grupa=lsat7_2002 podgrupa=lsat7_2002
input=lsat7_2002_10,lsat7_2002_20,lsat7_2002_30,lsat7_2002_40,lsat7_2002_50,lsat7_2002_70
# wygeneruj plik podpisu i raport
i.cluster group=lsat7_2002 podgrupa=lsat7_2002
plik podpisu=sig_cluster_lsat2002
zajęcia=10 plik raportu=rep_clust_lsat2002.txt
Aby zakończyć klasyfikację nienadzorowaną, i.maxlik jest później używany. Zobacz przykład
na stronie podręcznika.

Korzystaj z i.clustergrass online, korzystając z usług onworks.net