这是 i.gensigsetgrass 命令，可以使用我们的多个免费在线工作站之一在 OnWorks 免费托管服务提供商中运行，例如 Ubuntu Online、Fedora Online、Windows 在线模拟器或 MAC OS 在线模拟器
程序：
您的姓名
i.gensigset - 从栅格地图生成 i.smap 的统计信息。
关键词
图像、分类、监督分类、SMAP、签名
概要
i.gensigset
i.gensigset - 帮帮我
i.gensigset 训练图=姓名 组=姓名 亚组=姓名 签名档=姓名 [最大信号=整数]
[--帮助] [--详细] [--安静] [--ui]
标志：
- 帮帮我
打印使用摘要
--详细
详细模块输出
- 安静的
静音模块输出
--用户界面
强制启动 GUI 对话框
参数：
训练图=姓名 [必需的]
地面实况训练图
组=姓名 [必需的]
输入影像组的名称
亚组=姓名 [必需的]
输入影像子组的名称
签名档=姓名 [必需的]
包含结果签名的输出文件的名称
最大信号=整数
任何类别的最大子签名数
默认： 5
商品描述
i.gensigset 是一种用于生成输入的非交互式方法 地图。 它被用作
两遍分类过程中的第一遍。 它读取一个栅格地图层，
称为训练图，其中包含一些已分类的像素或区域。
i.gensigset 然后将基于图像从图像中提取光谱特征
对训练图中的像素进行分类，并使这些特征可用于
地图。
然后用户将执行 GRASS 程序 地图 创建最终的分类地图。
配置
参数
训练图=姓名
地面实况训练图
这个由用户作为输入提供的栅格层已经有一些像素
分类，其余（可能大部分）像素未分类。 分类手段
像素具有非零值且未分类意味着像素具有零
计算值。
此地图必须由用户提前准备，并结合使用 图形界面 向量
数字化仪 和 诉拉斯特，或其他一些导入/开发过程（例如， v. 横断面） 至
定义代表图像中类别的区域。
目前，还没有专门设计用于生成此的完全交互式工具
层。
组=姓名
意象组
这是包含构成要处理的图像的波段文件的组的名称
分析了。 这 i.组 命令用于构造包含的栅格图层组
一个图像。
子组=姓名
包含图像文件的子组
这将命名组中的子组，该子组选择要作为波段的子集
分析了。 这 i.组 命令也用于准备这个子组。 亚组
机制允许用户选择形成图像的所有波段文件的子集。
签名文件=姓名
结果签名文件
这是结果签名文件（包含均值和协方差矩阵）
与子组中的带文件关联的训练图中的每个类
选择。
最大信号=折扣值
任何类别的最大子签名数
默认值：5
该程序产生的光谱特征是“混合”特征（见
笔记）。 每个签名包含一个或多个子签名（代表子类）。 这
这个程序中的算法从最大数量的子类开始并减少这个
数到最小数量的光谱不同的子类。 用户拥有
选项以使用此选项设置此起始值。
互动 MODE
如果命令行上没有指定任何参数， i.gensigset 将交互
提示输入这些地图和文件的名称。
需要注意的是，这里的交互模式仅指地图的交互提示
和文件。 这并不意味着过程产生的签名的可视化。
附注
算法在 i.gensigset 确定称为光谱类模型的参数
高斯混合分布。 使用多光谱图像估计参数
数据和训练图，用于标记图像像素子集的类别。 这
混合类参数存储为类签名，可用于后续
多光谱图像的分割（即分类）。
高斯混合类是一个有用的模型，因为它可以用来描述
包含具有各种不同光谱的像素的信息类的行为
特征。 例如，森林、草原或城市地区是
用户可能希望在图像中分离的信息类。 然而，这些每
信息类可能包含子类，每个子类都有自己独特的光谱
特征。 例如，一个森林可能包含多种不同的树种
每个都有自己的光谱行为。
混合类别的目标是通过对每个类别进行建模来提高分割性能
信息类作为与各种子类的概率混合。 混合物
类模型还消除了对初始无监督分割的需要
识别这些子类的目的。 但是，如果错误分类的样本用于
在训练过程中，这些错误的样本可能会被归为单独的不想要的样本
子类。 因此，应注意提供准确的训练数据。
该聚类算法估计每个类中不同子类的数量，
以及每个子类的谱均值和协方差。 子类的数量是
估计使用 Rissanen 的最小描述长度 (MDL) 标准 [1]。 这个标准
试图确定“最好”描述数据的子类的数量。 这
子类的均值和协方差的近似最大似然估计为
使用期望最大化 (EM) 算法计算 [2,3]。
警告
如果出现这样的警告，将剩余的类减少到 0：
...
警告：删除了单数子签名数字 1（剩余 4 个）
警告：删除了单数子签名数字 1（剩余 3 个）
警告：删除了单数子签名数字 1（剩余 2 个）
警告：删除了单数子签名数字 1（剩余 1 个）
警告：不可靠的集群。 尝试较小的初始集群数量
警告：删除了单数子签名编号 1（保留 -1）
警告：不可靠的集群。 尝试较小的初始集群数量
子类数为 0
那么用户应该检查：
· 输入数据的范围应该在 0 到 100 或 255 之间，但不能在 0.0 之间
和1.0（信息 和 尤尼变种 显示范围）
· 训练区域需要包含足够数量的像素
参考文献：
· J. Rissanen，“整数的普遍先验和最小描述估计
长度，” 志 of 统计， 卷11，没有。 2，第 417-431 页，1983 年。
· A. Dempster、N. Laird 和 D. Rubin，“不完全数据的最大似然，通过
EM 算法，” J. 罗伊 国家主义者。 SOC。 B, 卷39，没有。 1，第 1-38 页，1977 年。
· E. Redner 和 H. Walker，“混合物密度、最大似然和 EM
算法，” 暹 评论， 卷26，没有。 2，1984 年 XNUMX 月。
使用 onworks.net 服务在线使用 i.gensigsetgrass
