Este es el comando pksvm que se puede ejecutar en el proveedor de alojamiento gratuito de OnWorks utilizando una de nuestras múltiples estaciones de trabajo en línea gratuitas, como Ubuntu Online, Fedora Online, emulador en línea de Windows o emulador en línea de MAC OS.
PROGRAMA:
NOMBRE
pksvm: clasifica la imagen ráster utilizando Support Vector Machine
SINOPSIS
pksvm -t la formación [-i Las opciones de entrada] [-o salida] [-CV propuesta de] [opciones] [avanzado opciones]
DESCRIPCIÓN
pksvm implementa una máquina de vectores de soporte (SVM) para resolver una clasificación supervisada
problema. La implementación se basa en la biblioteca de código abierto C ++ libSVM
(http://www.csie.ntu.edu.tw/~cjlin/libsvm). Se admiten archivos raster y vectoriales como
aporte. La salida contendrá el resultado de la clasificación, ya sea en ráster o en vector.
formato, correspondiente al formato de la entrada. Se debe proporcionar una muestra de formación como
un conjunto de datos vectoriales OGR que contiene las etiquetas de clase y las características de cada entrenamiento
punto. Las ubicaciones de los puntos no se consideran en el paso de entrenamiento. Puedes usar el mismo
muestra de entrenamiento para clasificar diferentes imágenes, siempre que el número de bandas del
las imágenes son idénticas. Utilice la utilidad pkextract para crear una muestra de entrenamiento adecuada,
basado en una muestra de puntos o polígonos. Para mapas de salida ráster, puede adjuntar un color
tabla usando la opción -Connecticut.
OPCIONES
-t nombre de archivo, --capacitación nombre de archivo
Archivo de vector de formación. Un solo archivo vectorial contiene todas las funciones de entrenamiento (debe ser
establecido como: b0, b1, b2, ...) para todas las clases (números de clase identificados por la opción de etiqueta).
Utilice varios archivos de entrenamiento para la agregación de bootstrap (alternativa a la --bolso y
--tamaño de la bolsa opciones, donde se toma un subconjunto aleatorio de un solo archivo de entrenamiento)
-i nombre de archivo, --aporte nombre de archivo
imagen de entrada
-o nombre de archivo, --producción nombre de archivo
Imagen de clasificación de salida
-CV propuesta de, --CV propuesta de
Modo de validación cruzada n veces (predeterminado: 0)
-tln ., --tln .
Nombre (s) de la capa de entrenamiento
-c nombre , --clase nombre
Lista de nombres de clases.
-r propuesta de, --reclasificar propuesta de
Lista de valores de clase (use el mismo orden que en --clase opción).
-de Formato GDAL, --oformato Formato GDAL
Formato de imagen de salida (ver también gdal_translate(1)).
-f formato, --F formato
Formato de salida ogr para muestra de entrenamiento activo
-co NOMBRE = VALOR, --co NOMBRE = VALOR
Opción de creación para archivo de salida. Se pueden especificar varias opciones.
-Connecticut nombre de archivo, --Connecticut nombre de archivo
Tabla de colores en formato ASCII con 5 columnas: id RGB ALFA (0: transparente, 255:
sólido)
-etiqueta atributo, --etiqueta atributo
Identificador de la etiqueta de clase en el archivo vectorial de entrenamiento. (predeterminado: etiqueta)
-previo propuesta de, --previo propuesta de
Probabilidades previas para cada clase (p. Ej., -previo 0.3 -previo 0.3 -previo 0.2) Usado
solo para entrada (ignorado para validación cruzada)
-g gama, --gama gama
Gamma en la función del kernel
-cc cost, - coste cost
El parámetro C de C_SVC, epsilon_SVR y nu_SVR
-m nombre de archivo, --máscara nombre de archivo
Clasifique solo dentro de la máscara especificada (vector o ráster). Para máscara de trama, establezca
valores nodata con la opción --msknodata.
-msknodata propuesta de, --msknodata propuesta de
Valor (es) de máscara que no se deben considerar para la clasificación. Los valores serán asumidos en
imagen de clasificación.
-sin datos propuesta de, --sin datos propuesta de
Valor de nodata para poner donde la imagen está enmascarada como nodata
-v nivel, --verboso nivel
Nivel detallado
Opciones avanzadas
-b Número, --banda Número
Índice de banda (a partir de 0, utilice --banda opción o uso - banda de inicio a
- diadema)
-banda Número, - banda de inicio Número
Número de secuencia de banda inicial
-ebanda Número, - diadema Número
Número de secuencia de banda final
-bal tamaño, --equilibrio tamaño
Equilibre los datos de entrada con este número de muestras para cada clase.
- mín. número, --min número
Si el número de píxeles de entrenamiento es inferior al mínimo, no tenga en cuenta esta clase.
(0: considere todas las clases)
-bolso propuesta de, --bolso propuesta de
Número de agregaciones de bootstrap (el valor predeterminado es sin empaque: 1)
-tamaño de la bolsa propuesta de, --tamaño de la bolsa propuesta de
Porcentaje de funciones utilizadas de las funciones de entrenamiento disponibles para cada bootstrap
agregación (un tamaño para todas las clases o un tamaño diferente para cada clase)
respectivamente
-peine gobernar, --peine gobernar
Cómo combinar clasificadores de agregación bootstrap (0: regla de suma, 1: regla de producto, 2:
regla máxima). También se usa para agregar clases con la opción rc.
-cb nombre de archivo, - bolsa de clase nombre de archivo
Salida para cada agregación de bootstrap individual
-problema nombre de archivo, --problema nombre de archivo
Imagen de probabilidad.
-compensar propuesta de, --compensar propuesta de
Valor de compensación para cada característica de entrada de banda espectral:
refl [banda] = (DN [banda] -desplazamiento [banda]) / escala [banda]
-escala propuesta de, --escala propuesta de
Valor de escala para cada característica de entrada de banda espectral:
refl = (DN [banda] -desplazamiento [banda]) / escala [banda] (use 0 si la escala mínima y máxima en cada banda
a -1.0 y 1.0)
-svmt tipo, --svmtipo tipo
Tipo de SVM (C_SVC, nu_SVC, one_class, epsilon_SVR, nu_SVR)
-kt tipo, --tipo de núcleo tipo
Tipo de función del núcleo (lineal, polinomial, radial, sigmoidea)
-kd propuesta de, --kd propuesta de
Grado en función del kernel
-c0 propuesta de, --coef0 propuesta de
Coef0 en la función del kernel
-nu propuesta de, --nu propuesta de
El parámetro nu de nu-SVC, SVM de una clase y nu-SVR
-perder propuesta de, --perder propuesta de
La epsilon en función de pérdida de epsilon-SVR
-cache número, --cache número
Caché ⟨http://pktools.nongnu.org/html/classCache.html⟩ Tamaño de la memoria en MB (predeterminado:
100).
-etol propuesta de, --etol propuesta de
la tolerancia del criterio de terminación (predeterminado: 0.001)
-encogerse, --encogerse
Ya sea para usar la heurística de reducción
creado número, - inactivo número
Número de puntos de entrenamiento activo
EJEMPLO
Clasifique la imagen de entrada input.tif con una máquina de vectores de soporte. Una muestra de entrenamiento que es
proporcionado como un conjunto de datos vectoriales OGR. Contiene todas las características (la misma dimensionalidad que
input.tif) en sus campos (verifique extracto de pk(1) sobre cómo obtener dicho archivo de un
archivo vectorial "limpio" que contiene ubicaciones únicamente). Una validación cruzada doble (cv) es
realizado (salida en pantalla). Los parámetros costo y gamma de la máquina de vectores de soporte.
se establecen en 1000 y 0.1 respectivamente. Una tabla de colores (un archivo de texto de cinco columnas: imagen
valor, ROJO, VERDE, AZUL, ALFA) también se ha proporcionado.
pksvm -i entrada.tif -t entrenamiento.sqlite -o salida.tif -CV 2 -Connecticut tabla de colores.txt -cc 1000 -g 0.1
Clasificación mediante agregación bootstrap. La muestra de entrenamiento se divide aleatoriamente en
tres submuestras (33% de la muestra original cada una).
pksvm -i entrada.tif -t entrenamiento.sqlite -o salida.tif -bs 33 -bolso 3
Clasificación usando probabilidades previas para cada clase. Los priores son automticamente
normalizado. El orden en que las opciones -p se proporcionan deben respetar el alfanumérico
orden de los nombres de las clases (la clase 10 viene antes que 2 ...)
pksvm -i entrada.tif -t entrenamiento.sqlite -o salida.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 de enero de 2016 pksvm(1)
Use pksvm en línea usando los servicios de onworks.net
