i.smapgrass - क्लाउड में ऑनलाइन

कार्यक्रम:

नाम

i.smap - अनुक्रमिक अधिकतम ए पोस्टीरियरी का उपयोग करके प्रासंगिक छवि वर्गीकरण करता है
(एसएमएपी) अनुमान।

कीवर्ड

कल्पना, वर्गीकरण, पर्यवेक्षित वर्गीकरण, विभाजन, एसएमएपी

SYNOPSIS

i.smap
i.smap --मदद
i.smap [-m] समूह=नाम उपसमूह=नाम हस्ताक्षरफ़ाइल=नाम उत्पादन=नाम [अच्छाई=नाम]
[ब्लॉक का आकार=पूर्णांक] [--अधिलेखित] [--मदद] [--वाचाल] [--शांत] [--ui]

झंडे:
-m
अधिकतम संभावना अनुमान का उपयोग करें (एसएमएपी के बजाय)

--ओवरराइट
आउटपुट फ़ाइलों को मौजूदा फ़ाइलों को अधिलेखित करने की अनुमति दें

--मदद
प्रिंट उपयोग सारांश

--शब्दशः
वर्बोज़ मॉड्यूल आउटपुट

--शांत
शांत मॉड्यूल आउटपुट

--यूआई
बलपूर्वक GUI संवाद लॉन्च करना

पैरामीटर:
समूह=नाम [आवश्यक]
इनपुट इमेजरी समूह का नाम

उपसमूह=नाम [आवश्यक]
इनपुट इमेजरी उपसमूह का नाम

हस्ताक्षरफ़ाइल=नाम [आवश्यक]
हस्ताक्षर युक्त इनपुट फ़ाइल का नाम
i.gensigset द्वारा उत्पन्न

उत्पादन=नाम [आवश्यक]
आउटपुट रैस्टर मैप होल्डिंग वर्गीकरण परिणामों का नाम

अच्छाई=नाम
फिट की अच्छाई रखने वाले आउटपुट रैस्टर मैप का नाम (नीचे बेहतर है)

ब्लॉक का आकार=पूर्णांक
एक समय में संसाधित करने के लिए सबमैट्रिक्स का आकार
चूक: 1024

वर्णन

RSI i.smap प्रोग्राम का उपयोग वर्णक्रमीय वर्ग मॉडल का उपयोग करके मल्टीस्पेक्ट्रल छवियों को खंडित करने के लिए किया जाता है
गाऊसी मिश्रण वितरण के रूप में जाना जाता है। चूंकि गाऊसी मिश्रण वितरण में शामिल हैं
पारंपरिक बहुभिन्नरूपी गाऊसी वितरण, इस कार्यक्रम का उपयोग खंडित करने के लिए भी किया जा सकता है
सरल वर्णक्रमीय माध्य और सहप्रसरण मापदंडों पर आधारित बहुवर्णक्रमीय छवियां।

i.smap संचालन के दो तरीके हैं। पहला मोड अनुक्रमिक अधिकतम एक पश्चवर्ती है
(एसएमएपी) मोड [1,2]। एसएमएपी विभाजन एल्गोरिथ्म विभाजन को बेहतर बनाने का प्रयास करता है
प्रत्येक पिक्सेल को अलग से विभाजित करने के बजाय छवि को क्षेत्रों में विभाजित करके सटीकता
(टिप्पणियां देखें)।

दूसरा मोड अधिक पारंपरिक अधिकतम संभावना (एमएल) वर्गीकरण है
प्रत्येक पिक्सेल को अलग से वर्गीकृत करता है, लेकिन कुछ हद तक कम गणना की आवश्यकता होती है। यह विधा है
के साथ चयनित -m झंडा (नीचे देखें)।

विकल्प

झंडे:
-m
अधिकतम संभावना अनुमान का उपयोग करें (एसएमएपी के बजाय)। सामान्य ऑपरेशन एसएमएपी का उपयोग करना है
अनुमान (नोट्स देखें)।

पैरामीटर:
समूह=नाम
इमेजरी समूह
इमेजरी समूह जो वर्गीकृत की जाने वाली छवि को परिभाषित करता है।

उपसमूह=नाम
इमेजरी उपसमूह
निर्दिष्ट समूह के भीतर उपसमूह जो बैंड फ़ाइलों के सबसेट को निर्दिष्ट करता है
जिन्हें वर्गीकृत करने के लिए छवि डेटा के रूप में उपयोग किया जाना है।

हस्ताक्षरफ़ाइल=नाम
इमेजरी हस्ताक्षरफ़ाइल
हस्ताक्षर फ़ाइल जिसमें वर्णक्रमीय हस्ताक्षर (यानी, आँकड़े) शामिल हैं
छवि में पहचाने जाने वाले वर्ग। यह हस्ताक्षर फ़ाइल किसके द्वारा तैयार की गई है
कार्यक्रम i.gensigset (टिप्पणियां देखें)।

ब्लॉक आकार=मूल्य
एक समय में संसाधित करने के लिए सबमैट्रिक्स का आकार
डिफ़ॉल्ट: 1024
यह विकल्प छवि डेटा पढ़ते समय उपयोग की जाने वाली "विंडो" का आकार निर्दिष्ट करता है।

यह प्रोग्राम परिणाम को प्रभावित किए बिना मेमोरी उपयोग को बेहतर बनाने के लिए लिखा गया था
वर्गीकरण. यह विकल्प उपयोगकर्ता को यह नियंत्रित करने की अनुमति देता है कि कितनी मेमोरी का उपयोग किया गया है। अधिक
मेमोरी का मतलब तेज़ (या धीमा) ऑपरेशन हो सकता है, यह इस बात पर निर्भर करता है कि आपकी वास्तविक मेमोरी कितनी है
मशीन में कितनी वर्चुअल मेमोरी है और प्रोग्राम कितनी वर्चुअल मेमोरी का उपयोग करता है।

छवि को खंडित करने में प्रयुक्त सबमैट्रिक्स के आकार का एक सिद्धांत कार्य है
स्मृति उपयोग को नियंत्रित करना; हालाँकि, इसका गुणवत्ता पर सूक्ष्म प्रभाव भी पड़ सकता है
स्मैप मोड में विभाजन। स्मैप विभाजन के लिए स्मूथिंग पैरामीटर हैं
प्रत्येक सबमैट्रिक्स के लिए अलग से अनुमान लगाया गया। इसलिए, यदि छवि में क्षेत्र हैं
गुणात्मक रूप से भिन्न व्यवहार, (जैसे, प्राकृतिक वनभूमि और मानव निर्मित कृषि
फ़ील्ड्स) विभिन्न स्मूथिंग के लिए पर्याप्त छोटे सबमैट्रिक्स का उपयोग करना उपयोगी हो सकता है
छवि के प्रत्येक विशिष्ट क्षेत्र के लिए पैरामीटर का उपयोग किया जा सकता है।

सबमैट्रिक्स आकार का एमएल विभाजन विधि के प्रदर्शन पर कोई प्रभाव नहीं पड़ता है।

आउटपुट=नाम
आउटपुट रेखापुंज मानचित्र।
रेखापुंज मानचित्र का नाम जिसमें वर्गीकरण परिणाम होंगे। यह नई
रेखापुंज मानचित्र परत में ऐसी श्रेणियां होंगी जो लैंडकवर श्रेणियों से संबंधित हो सकती हैं
जमीन पर।

इंटरैक्टिव मोड

यदि कमांड लाइन पर कोई भी तर्क निर्दिष्ट नहीं है, i.smap अंतःक्रियात्मक रूप से होगा
मानचित्रों और फ़ाइलों के नाम के लिए संकेत दें।

टिप्पणियाँ

एसएमएपी एल्गोरिथ्म इस तथ्य का फायदा उठाता है कि किसी छवि में आस-पास के पिक्सेल की संभावना होती है
समान दर्जा। यह छवि को विभिन्न पैमानों या रिज़ॉल्यूशन पर विभाजित करके और उपयोग करके काम करता है
महीन पैमाने के विभाजनों का मार्गदर्शन करने के लिए मोटे पैमाने के विभाजन। निम्न के अलावा
गलत वर्गीकरणों की संख्या को कम करते हुए, एसएमएपी एल्गोरिदम आम तौर पर उत्पादन करता है
एक निश्चित वर्ग के बड़े जुड़े हुए क्षेत्रों के साथ विभाजन जो कुछ में उपयोगी हो सकते हैं
अनुप्रयोगों.

विभाजन में की जाने वाली स्मूथिंग की मात्रा व्यवहार पर निर्भर करती है
छवि में मौजूद डेटा का. यदि डेटा सुझाव देता है कि आस-पास के पिक्सेल अक्सर कक्षा बदलते हैं,
तो एल्गोरिथ्म अनुकूल रूप से स्मूथिंग की मात्रा को कम कर देगा। यह यह सुनिश्चित करता है
अत्यधिक बड़े क्षेत्र नहीं बनते।

गलत वर्गीकरण की डिग्री की जांच फिट आउटपुट मैप की अच्छाई से की जा सकती है।
कम मान बेहतर फिट का संकेत देते हैं। सबसे बड़े 5 से 15% अच्छाई मूल्यों की आवश्यकता हो सकती है
कुछ नज़दीकी निरीक्षण।

मॉड्यूल i.smap MASKed या NULL सेल्स का समर्थन नहीं करता। इसलिए यह आवश्यक हो सकता है
उदाहरण के लिए वर्गीकरण परिणामों की एक प्रति बनाने के लिए r.mapcalc:

r.mapcalc "MASKed_map = वर्गीकरण_परिणाम"

उदाहरण

लैंडसैट का पर्यवेक्षित वर्गीकरण
जी.क्षेत्र रेखापुंज=lsat7_2002_10 -p
# VIZ, NIR, MIR को समूह/उपसमूह में संग्रहीत करें
i.समूह समूह=my_lsat7_2002 उपसमूह=my_lsat7_2002 \
input=lsat7_2002_10,lsat7_2002_20,lsat7_2002_30,lsat7_2002_40,lsat7_2002_50,lsat7_2002_70
# अब डिजिटाइज़र के साथ प्रशिक्षण क्षेत्रों "प्रशिक्षण" को डिजिटाइज़ करें
# और v.to.rast के साथ रेखापुंज मॉडल में कनवर्ट करें
v.to.rast इनपुट=प्रशिक्षण आउटपुट=प्रशिक्षण उपयोग=कैट लेबल_कॉलम=लेबल
# आंकड़ों की गणना करें
i.gensigset ट्रेनिंगमैप=प्रशिक्षण समूह=my_lsat7_2002 उपसमूह=my_lsat7_2002 \
सिग्नेचरफाइल=my_smap_lsat7_2002 maxsig=5
i.smap समूह=my_lsat7_2002 उपसमूह=my_lsat7_2002 हस्ताक्षरफ़ाइल=my_smap_lsat7_2002 \
आउटपुट=lsat7_2002_smap_classes
# परिणाम को दृष्टिगत रूप से जांचें
डी.सोम Wx0
d.rast.leg lsat7_2002_smap_classes
#सांख्यिकीय रूप से परिणाम की जाँच करें
r.kappa -w वर्गीकरण=lsat7_2002_smap_classes संदर्भ=प्रशिक्षण

संदर्भ

· सी. बोमन और एम. शापिरो, "मल्टीस्केल का उपयोग करके मल्टीस्पेक्ट्रल इमेज सेगमेंटेशन
छवि मॉडल", प्रोक। of आईईईई Int'l सम्मेलन। on ध्वनिक., भाषण और सिग। प्रोक., पीपी।
III-565 - III-568, सैन फ्रांसिस्को, कैलिफोर्निया, 23-26 मार्च, 1992।

· सी. बोमन और एम. शापिरो 1994, "बायेसियन इमेज के लिए एक मल्टीस्केल रैंडम फील्ड मॉडल
विभाजन", आईईईई ट्रांस। on छवि प्रसंस्करण., 3(2) 162-177 " (पीडीएफ)

· मैककौली, जे.डी. और बी.ए. एंगेल 1995, "दृश्य विभाजनों की तुलना: एसएमएपी, इको
और अधिकतम संभावना", आईईईई ट्रांस। on जियोसाइंस और सुदूर संवेदन, 33(6)
1313-1316।

onworks.net सेवाओं का उपयोग करके i.smapgrass का ऑनलाइन उपयोग करें