これは、Ubuntu Online、Fedora Online、Windows オンライン エミュレーター、MAC OS オンライン エミュレーターなど、複数の無料オンライン ワークステーションのいずれかを使用して、OnWorks 無料ホスティング プロバイダーで実行できるコマンド i.smapgrass です。
プログラム：
NAME
アイ・スマップ - 逐次最大事後確率を使用してコンテキスト画像分類を実行します
(SMAP)推し。
KEYWORDS
画像、分類、教師あり分類、セグメンテーション、SMAP
SYNOPSIS
アイ・スマップ
アイ・スマップ - 助けて
アイ・スマップ [-m] グループヘッド=名 サブグループ=名 署名ファイル=名 出力=名 [善=名]
[ブロック化する=整数] [-上書きする] [-助けます] [-詳細] [-静かな] [-ui]
フラグ：
-m
(smap の代わりに) 最尤推定を使用する
-上書き
出力ファイルが既存のファイルを上書きできるようにする
- 助けて
使用状況の概要を印刷する
-詳細
冗長モジュール出力
- 静かな
静かなモジュール出力
--ui
GUIダイアログを強制的に起動する
パラメーター：
グループヘッド=名 [必要]
入力画像グループの名前
サブグループ=名 [必要]
入力画像サブグループの名前
署名ファイル=名 [必要]
署名を含む入力ファイルの名前
i.gensigset によって生成されます
出力=名 [必要]
分類結果を保持する出力ラスター マップの名前
善=名
適合度を保持する出力ラスター マップの名前 (小さいほど良い)
ブロック化する=整数
一度に処理する部分行列のサイズ
デフォルト： 1024
DESCRIPTION
この アイ・スマップ プログラムは、スペクトル クラス モデルを使用してマルチスペクトル画像をセグメント化するために使用されます
ガウス混合分布として知られています。 ガウス混合分布には以下が含まれるため、
従来の多変量ガウス分布、このプログラムはセグメント化にも使用できます
単純なスペクトル平均と共分散パラメーターに基づくマルチスペクトル画像。
アイ・スマップ には XNUMX つの動作モードがあります。 最初のモードは、逐次最大事後確率です。
(SMAP) モード [1,2]。 SMAP セグメンテーション アルゴリズムは、セグメンテーションの改善を試みます
各ピクセルを個別にセグメント化するのではなく、画像を領域にセグメント化することによる精度
(注を参照)。
XNUMX 番目のモードは、従来型の最尤 (ML) 分類です。
は各ピクセルを個別に分類しますが、必要な計算はいくらか少なくなります。 このモードは
で選択 -m フラグ (以下を参照)。
OPTIONS
フラグ：
-m
(smap の代わりに) 最尤推定を使用します。 通常の運用は SMAP を使用する
見積もり（注を参照）。
パラメーター：
グループ=名
画像グループ
分類する画像を定義する画像グループ。
サブグループ=名
画像サブグループ
バンド ファイルのサブセットを指定する、指定されたグループ内のサブグループ
分類対象の画像データとして使用します。
署名ファイル=名
画像署名ファイル
のスペクトル シグネチャ (つまり、統計) を含むシグネチャ ファイル
画像で識別されるクラス。 このシグニチャ ファイルは、
プログラム i.gensigset (注を参照)。
ブロックサイズ=値
一度に処理する部分行列のサイズ
デフォルト：1024
このオプションは、画像データを読み取るときに使用する「ウィンドウ」のサイズを指定します。
このプログラムは、結果に影響を与えることなく、メモリの使用について適切に記述されています。
分類。 このオプションを使用すると、ユーザーはメモリの使用量を制御できます。 もっと
メモリは、実際のメモリの量に応じて、より高速 (または低速) な操作を意味する場合があります。
マシンが持っている仮想メモリと、プログラムが使用する仮想メモリの量。
画像のセグメント化に使用される部分行列のサイズには、次の主関数があります。
メモリ使用量の制御; ただし、品質に微妙な影響を与える可能性もあります。
smap モードでのセグメンテーション。 smap セグメンテーションの平滑化パラメーターは次のとおりです。
サブマトリックスごとに個別に推定されます。 したがって、画像に
質的に異なる行動（例えば、自然の森林と人工の農業
フィールド) 十分に小さい部分行列を使用すると、異なる平滑化
パラメータは、画像の特徴的な領域ごとに使用できます。
サブマトリックスのサイズは、ML セグメンテーション メソッドのパフォーマンスには影響しません。
出力=名
ラスター地図を出力します。
分類結果を含むラスター マップの名前。 この新しい
ラスター マップ レイヤーには、土地被覆カテゴリに関連付けることができるカテゴリが含まれます
地面に。
インタラクティブ モード
コマンドラインで引数が何も指定されていない場合、 アイ・スマップ インタラクティブに
マップとファイルの名前を求めるプロンプト。
注意事項
SMAP アルゴリズムは、画像内の近くのピクセルが
同じクラス。 さまざまなスケールまたは解像度で画像をセグメント化し、
細かいスケールのセグメンテーションをガイドする粗いスケールのセグメンテーション。 に加えて
誤分類の数を減らすため、SMAP アルゴリズムは一般に
固定クラスのより大きな接続された領域を使用したセグメンテーション。
分野の様々なアプリケーションで使用されています。
セグメンテーションで実行される平滑化の量は、動作に依存します
画像内のデータの。 近くのピクセルがしばしばクラスを変更することをデータが示唆している場合、
その後、アルゴリズムは適応的に平滑化の量を減らします。 これにより、
過度に大きな領域は形成されません。
誤分類の程度は、適合度出力マップで調べることができます。
値が低いほど適合性が高いことを示します。 良い値の最大の 5 ～ 15% が必要になる場合があります。
いくつかの詳細な検査。
モジュール アイ・スマップ MASKed または NULL セルをサポートしません。 だから必要かも
egrmapcalc を使用して分類結果のコピーを作成するには:
r.mapcalc "MASKed_map = 分類結果"
実施例
LANDSATの教師付き分類
g.region raster=lsat7_2002_10 -p
# VIZ、NIR、MIR をグループ/サブグループに保存
i.group グループ=my_lsat7_2002 サブグループ=my_lsat7_2002 \
input=lsat7_2002_10,lsat7_2002_20,lsat7_2002_30,lsat7_2002_40,lsat7_2002_50,lsat7_2002_70
# デジタイザでトレーニング エリア "training" をデジタイズ
# v.to.rast でラスター モデルに変換
v.to.rast 入力=トレーニング 出力=トレーニング 使用=猫 label_column=ラベル
# 統計を計算する
i.gensigset トレーニングマップ=トレーニング グループ=my_lsat7_2002 サブグループ=my_lsat7_2002 \
署名ファイル=my_smap_lsat7_2002 maxsig=5
i.smap グループ=my_lsat7_2002 サブグループ=my_lsat7_2002 署名ファイル=my_smap_lsat7_2002 \
出力=lsat7_2002_smap_classes
# 視覚的に結果を確認
d.mon wx0
d.rast.leg lsat7_2002_smap_classes
# 結果を統計的にチェック
r.kappa -w 分類=lsat7_2002_smap_classes 参照=トレーニング
参考文献
· C. Bouman および M. Shapiro、「マルチスケールを使用したマルチスペクトル イメージ セグメンテーション
画像モデル", PROC。 of IEEE 国際 確認 on 音響、 スピーチ と 氏 手続き、 頁。
III-565 - III-568、カリフォルニア州サンフランシスコ、23 年 26 月 1992 ～ XNUMX 日。
· C. Bouman および M. Shapiro 1994 年、「ベイジアン イメージのマルチスケール ランダム フィールド モデル
セグメンテーション"、 IEEE トランス。 on 画像 処理。、 3（2） 162-177" （PDFファイル）
· McCauley、JD および BA Engel 1995 年、「シーン セグメンテーションの比較: SMAP、ECHO
および最大可能性", IEEE トランス。 on 地球科学 と リモート センシング、 33（6）：
1313-1316。
onworks.net サービスを使用してオンラインで i.smapgrass を使用する
