i.smapgrass – Online in der Cloud

PROGRAMM:

NAME/FUNKTION

i.smap - Führt eine kontextbezogene Bildklassifizierung mit sequentiellem Maximum a posteriori durch
(SMAP)-Schätzung.

SCHLÜSSELWÖRTER

Bilddaten, Klassifizierung, überwachte Klassifizierung, Segmentierung, SMAP

ZUSAMMENFASSUNG

i.smap
i.smap --help
i.smap [-m] Gruppe=Name Untergruppe=Name Signaturdatei=Name Möglichkeiten für das Ausgangssignal:=Name [Güte=Name]
[Block Größe=ganze Zahl] [--überschreiben] [--Hilfe] [--ausführlich] [--ruhig] [--ui]

Flaggen:
-m
Verwenden Sie die Maximum-Likelihood-Schätzung (anstelle von Smap).

--überschreiben
Ausgabedateien erlauben, vorhandene Dateien zu überschreiben

--help
Nutzungszusammenfassung drucken

- ausführlich
Ausführliche Modulausgabe

--ruhig
Leiser Modulausgang

--ui
Starten des GUI-Dialogs erzwingen

Parameter:
Gruppe=Name [erforderlich]
Name der Eingabebildgruppe

Untergruppe=Name [erforderlich]
Name der Untergruppe der Eingabebilder

Signaturdatei=Name [erforderlich]
Name der Eingabedatei, die Signaturen enthält
Erstellt von i.gensigset

Möglichkeiten für das Ausgangssignal:=Name [erforderlich]
Name für die Ausgabe-Rasterkarte mit Klassifizierungsergebnissen

Güte=Name
Name für die Ausgabe-Rasterkarte mit der Anpassungsgüte (je niedriger, desto besser)

Block Größe=ganze Zahl
Größe der Submatrix, die gleichzeitig verarbeitet werden soll
Standard: 1024

BESCHREIBUNG

Das i.smap Das Programm dient zur Segmentierung multispektraler Bilder mithilfe eines Spektralklassenmodells
bekannt als Gaußsche Mischungsverteilung. Da Gaußsche Mischungsverteilungen umfassen
Bei herkömmlichen multivariaten Gauß-Verteilungen kann dieses Programm auch zum Segmentieren verwendet werden
Multispektralbilder basierend auf einfachen spektralen Mittel- und Kovarianzparametern.

i.smap verfügt über zwei Betriebsarten. Der erste Modus ist das sequentielle Maximum a posteriori
(SMAP)-Modus [1,2]. Der SMAP-Segmentierungsalgorithmus versucht, die Segmentierung zu verbessern
Genauigkeit, indem das Bild in Regionen segmentiert wird, anstatt jedes Pixel einzeln zu segmentieren
(siehe HINWEISE).

Der zweite Modus ist die konventionellere Maximum-Likelihood-Klassifizierung (ML).
klassifiziert jedes Pixel separat, erfordert jedoch etwas weniger Rechenaufwand. Dieser Modus ist
ausgewählt mit dem -m Flagge (siehe unten).

OPTIONAL

Flaggen:
-m
Verwenden Sie die Maximum-Likelihood-Schätzung (anstelle von Smap). Im Normalbetrieb wird SMAP verwendet
Schätzung (siehe HINWEISE).

Parameter:
Gruppe =Name
Bildgruppe
Die Bildgruppe, die das zu klassifizierende Bild definiert.

Untergruppe=Name
Bilduntergruppe
Die Untergruppe innerhalb der angegebenen Gruppe, die die Teilmenge der Banddateien angibt
die als zu klassifizierende Bilddaten verwendet werden sollen.

Signaturdatei=Name
Bildsignaturdatei
Die Signaturdatei, die die Spektralsignaturen (d. h. die Statistiken) für enthält
die im Bild zu identifizierenden Klassen. Diese Signaturdatei wird von erstellt
Programm i.gensigset (siehe HINWEISE).

Blockgröße=Wert
Größe der Submatrix, die gleichzeitig verarbeitet werden soll
Standard: 1024
Diese Option legt die Größe des „Fensters“ fest, das beim Lesen der Bilddaten verwendet werden soll.

Dieses Programm wurde so geschrieben, dass es die Speichernutzung schont, ohne das Ergebnis zu beeinflussen
Einstufung. Mit dieser Option kann der Benutzer steuern, wie viel Speicher verwendet wird. Mehr
Speicher kann einen schnelleren (oder langsameren) Betrieb bedeuten, je nachdem, wie viel realer Speicher Sie haben
Welche Maschine hat und wie viel virtuellen Speicher das Programm verwendet.

Die Größe der beim Segmentieren des Bildes verwendeten Submatrix hat eine Hauptfunktion von
Kontrolle der Speichernutzung; Es kann jedoch auch einen subtilen Einfluss auf die Qualität haben
Segmentierung im Smap-Modus. Die Glättungsparameter für die Smap-Segmentierung sind
für jede Submatrix separat geschätzt. Wenn das Bild also Regionen mit hat
qualitativ unterschiedliches Verhalten (z. B. natürliche Wälder und künstliche Landwirtschaft).
Felder) kann es sinnvoll sein, eine Submatrix zu verwenden, die klein genug ist, um eine unterschiedliche Glättung zu ermöglichen
Parameter können für jeden bestimmten Bereich des Bildes verwendet werden.

Die Größe der Submatrix hat keinen Einfluss auf die Leistung der ML-Segmentierungsmethode.

Ausgabe=Name
Rasterkarte ausgeben.
Der Name einer Rasterkarte, die die Klassifizierungsergebnisse enthält. Das ist neu
Die Rasterkartenebene enthält Kategorien, die mit Landbedeckungskategorien verknüpft werden können
auf dem Boden.

INTERAKTIV MODUS

Wenn keines der Argumente in der Befehlszeile angegeben wird, i.smap wird interaktiv
Sie werden aufgefordert, die Namen der Karten und Dateien einzugeben.

ANMERKUNG

Der SMAP-Algorithmus nutzt die Tatsache aus, dass benachbarte Pixel in einem Bild wahrscheinlich das haben
selbe Klasse. Dabei wird das Bild in verschiedenen Maßstäben oder Auflösungen segmentiert und verwendet
Die Segmentierungen im groben Maßstab dienen als Orientierung für die Segmentierungen im feineren Maßstab. Zusätzlich zu
Reduziert die Anzahl der Fehlklassifizierungen, die der SMAP-Algorithmus im Allgemeinen erzeugt
Segmentierungen mit größeren verbundenen Regionen einer festen Klasse, die in einigen Fällen nützlich sein können
um weitere Anwendungsbeispiele zu finden.

Der Grad der Glättung, die bei der Segmentierung durchgeführt wird, hängt vom Verhalten ab
der Daten im Bild. Wenn die Daten darauf hindeuten, dass die Pixel in der Nähe häufig ihre Klasse ändern,
dann reduziert der Algorithmus den Glättungsgrad adaptiv. Dies stellt sicher, dass
Es werden keine übermäßig großen Regionen gebildet.

Der Grad der Fehlklassifizierungen kann mit der Ausgabekarte der Anpassungsgüte untersucht werden.
Niedrigere Werte weisen auf eine bessere Anpassung hin. Die höchsten 5 bis 15 % der Gütewerte können erforderlich sein
mal genauer hinsehen.

Das Modul i.smap unterstützt keine MASKed- oder NULL-Zellen. Daher könnte es notwendig sein
So erstellen Sie mit egrmapcalc eine Kopie der Klassifizierungsergebnisse:

r.mapcalc „MASKed_map = classification_results“

BEISPIEL

Überwachte Klassifizierung von LANDSAT
g.region raster=lsat7_2002_10 -p
# VIZ, NIR, MIR in Gruppe/Untergruppe speichern
i.group group=my_lsat7_2002 subgroup=my_lsat7_2002 \
input=lsat7_2002_10,lsat7_2002_20,lsat7_2002_30,lsat7_2002_40,lsat7_2002_50,lsat7_2002_70
# Jetzt Trainingsbereiche „Training“ mit dem Digitalisierer digitalisieren
# und mit v.to.rast in ein Rastermodell konvertieren
v.to.rast input=training output=training use=cat label_column=label
# Statistiken berechnen
i.gensigset trainingmap=training group=my_lsat7_2002 subgroup=my_lsat7_2002 \
signaturfile=my_smap_lsat7_2002 maxsig=5
i.smap group=my_lsat7_2002 subgroup=my_lsat7_2002 Signaturfile=my_smap_lsat7_2002 \
Ausgabe=lsat7_2002_smap_classes
# Ergebnis visuell prüfen
d.mon wx0
d.rast.leg lsat7_2002_smap_classes
# Ergebnis statistisch überprüfen
r.kappa -w classification=lsat7_2002_smap_classes reference=training

REFERENZEN

· C. Bouman und M. Shapiro, „Multispectral Image Segmentation using a Multiscale.“
Bildmodell", Proc of IEEE Int'l Conf. on Akustisch, Rede und Herr Proz., pp.
III-565 – III-568, San Francisco, Kalifornien, 23.–26. März 1992.

· C. Bouman und M. Shapiro 1994, „A Multiscale Random Field Model for Bayesian Image.“
Segmentierung", IEEE Übers. on Bild Wird bearbeitet., 3(2) 162-177 " (PDF)

· McCauley, JD und BA Engel 1995, „Vergleich der Szenensegmentierungen: SMAP, ECHO
und maximale Wahrscheinlichkeit", IEEE Übers. on Geoscience und Remote Wahrnehmung, 33(6):
1313-1316.

Nutzen Sie i.smapgrass online über die Dienste von onworks.net