i.smapgrass - Dalam Talian di Awan

JADUAL:

NAMA

i.smap - Melakukan pengelasan imej kontekstual menggunakan urutan maksimum a posteriori
(SMAP) anggaran.

Kata-kata berkaitan

imejan, pengelasan, pengelasan diselia, pembahagian, SMAP

SINOPSIS

i.smap
i.smap - membantu
i.smap [-m] kumpulan=nama subkumpulan=nama fail tandatangan=nama output=nama [kebaikan=nama]
[menyekat=integer] [--menimpa] [--membantu] [--kata kerja] [--tenang] [--ui]

Bendera:
-m
Gunakan anggaran kemungkinan maksimum (bukan smap)

--tulis ganti
Benarkan fail output untuk menulis ganti fail sedia ada

- membantu
Cetak ringkasan penggunaan

--verbose
Keluaran modul verbose

--senyap
Keluaran modul senyap

--ui
Paksa melancarkan dialog GUI

Parameter:
kumpulan=nama [diperlukan]
Nama kumpulan imejan input

subkumpulan=nama [diperlukan]
Nama subkumpulan imejan input

fail tandatangan=nama [diperlukan]
Nama fail input yang mengandungi tandatangan
Dijana oleh i.gensigset

output=nama [diperlukan]
Nama untuk hasil klasifikasi pemegangan peta raster output

kebaikan=nama
Nama untuk peta raster keluaran yang memegang kebaikan kesesuaian (lebih rendah adalah lebih baik)

menyekat=integer
Saiz submatriks untuk diproses pada satu masa
default: 1024

DESCRIPTION

. i.smap atur cara digunakan untuk membahagikan imej berbilang spektrum menggunakan model kelas spektrum
dikenali sebagai taburan campuran Gaussian. Oleh kerana taburan campuran Gaussian termasuk
pengagihan Gaussian multivariate konvensional, program ini juga boleh digunakan untuk membahagikan
imej berbilang spektrum berdasarkan min spektrum mudah dan parameter kovarians.

i.smap mempunyai dua mod operasi. Mod pertama ialah maksimum berurutan a posteriori
(SMAP) [1,2]. Algoritma segmentasi SMAP cuba untuk menambah baik segmentasi
ketepatan dengan membahagikan imej kepada kawasan dan bukannya membahagikan setiap piksel secara berasingan
(lihat CATATAN).

Mod kedua ialah klasifikasi kemungkinan maksimum (ML) yang lebih konvensional
mengelaskan setiap piksel secara berasingan, tetapi memerlukan pengiraan yang agak kurang. Mod ini adalah
dipilih dengan -m bendera (lihat di bawah).

PILIHAN

Bendera:
-m
Gunakan anggaran kemungkinan maksimum (bukan smap). Operasi biasa ialah menggunakan SMAP
anggaran (lihat NOTA).

Parameter:
kumpulan=nama
kumpulan imejan
Kumpulan imejan yang mentakrifkan imej untuk dikelaskan.

subkumpulan=nama
subkumpulan imejan
Subkumpulan dalam kumpulan yang ditentukan yang menentukan subset fail band
yang akan digunakan sebagai data imej untuk dikelaskan.

fail tandatangan=nama
fail tandatangan imejan
Fail tandatangan yang mengandungi tandatangan spektrum (iaitu, statistik) untuk
kelas yang akan dikenal pasti dalam imej. Fail tandatangan ini dihasilkan oleh
program i.gensigset (lihat CATATAN).

saiz blok=nilai
saiz submatriks untuk diproses pada satu masa
lalai: 1024
Pilihan ini menentukan saiz "tetingkap" yang akan digunakan semasa membaca data imej.

Atur cara ini ditulis untuk menjadi baik tentang penggunaan memori tanpa mempengaruhi hasil
pengelasan. Pilihan ini membolehkan pengguna mengawal jumlah memori yang digunakan. Lagi
memori mungkin bermakna operasi yang lebih pantas (atau lebih perlahan) bergantung pada jumlah memori sebenar anda
mesin mempunyai dan berapa banyak memori maya yang digunakan oleh program.

Saiz submatriks yang digunakan dalam membahagikan imej mempunyai fungsi prinsip
mengawal penggunaan ingatan; walau bagaimanapun, ia juga boleh memberi kesan halus pada kualiti
pembahagian dalam mod smap. Parameter pelicinan untuk pembahagian smap ialah
dianggarkan secara berasingan untuk setiap submatriks. Oleh itu, jika imej mempunyai kawasan dengan
tingkah laku yang berbeza secara kualitatif, (cth, hutan semula jadi dan pertanian buatan manusia
medan) mungkin berguna untuk menggunakan submatriks yang cukup kecil supaya pelicinan yang berbeza
parameter boleh digunakan untuk setiap kawasan tersendiri bagi imej.

Saiz submatriks tidak mempunyai kesan ke atas prestasi kaedah pembahagian ML.

keluaran=nama
peta raster keluaran.
Nama peta raster yang akan mengandungi hasil pengelasan. baru ini
lapisan peta raster akan mengandungi kategori yang boleh dikaitkan dengan kategori tutupan tanah
di tanah.

INTERAKTIF MODE

Jika tiada hujah yang dinyatakan pada baris arahan, i.smap akan secara interaktif
meminta nama peta dan fail.

NOTA

Algoritma SMAP mengeksploitasi fakta bahawa piksel berdekatan dalam imej berkemungkinan mempunyai
Sama kelas. Ia berfungsi dengan membahagikan imej pada pelbagai skala atau resolusi dan menggunakan
segmentasi skala kasar untuk membimbing segmentasi skala yang lebih halus. Sebagai tambahan kepada
mengurangkan bilangan salah klasifikasi, algoritma SMAP biasanya menghasilkan
segmentasi dengan kawasan bersambung yang lebih besar daripada kelas tetap yang mungkin berguna dalam sesetengahnya
permohonan.

Jumlah pelicinan yang dilakukan dalam pembahagian adalah bergantung kepada tingkah laku
daripada data dalam imej. Jika data menunjukkan bahawa piksel berdekatan sering menukar kelas,
maka algoritma secara adaptif akan mengurangkan jumlah pelicinan. Ini memastikan bahawa
kawasan yang terlalu besar tidak terbentuk.

Tahap salah klasifikasi boleh disiasat dengan peta keluaran kebaikan.
Nilai yang lebih rendah menunjukkan kesesuaian yang lebih baik. 5 hingga 15% terbesar daripada nilai kebaikan mungkin diperlukan
beberapa pemeriksaan lebih dekat.

Modul i.smap tidak menyokong sel MASKed atau NULL. Oleh itu ia mungkin perlu
untuk membuat salinan hasil pengelasan menggunakan egrmapcalc:

r.mapcalc "MASKed_map = classification_results"

CONTOH

Klasifikasi LANDSAT yang diselia
g.region raster=lsat7_2002_10 -p
# simpan VIZ, NIR, MIR ke dalam kumpulan/subkumpulan
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
# Sekarang digitalkan kawasan latihan "latihan" dengan digitizer
# dan tukar kepada model raster dengan v.to.rast
v.to.rast input=output latihan=latihan use=cat label_column=label
# mengira statistik
i.gensigset trainingmap=kumpulan latihan=my_lsat7_2002 subkumpulan=my_lsat7_2002 \
signaturefile=my_smap_lsat7_2002 maxsig=5
i.smap group=my_lsat7_2002 subgroup=my_lsat7_2002 signaturefile=my_smap_lsat7_2002 \
output=lsat7_2002_smap_classes
# Semak hasil secara visual
d.mon wx0
d.rast.leg lsat7_2002_smap_classes
# Semak keputusan secara statistik
r.kappa -w classification=lsat7_2002_smap_classes rujukan=latihan

RUJUKAN

· C. Bouman dan M. Shapiro, "Segmentasi Imej Berbilang Spektrum menggunakan Berbilang Skala
Model Imej", Proc of IEEE Int'l Sambungan on Acoust., Ucapan and Sig. Proc., ms.
III-565 - III-568, San Francisco, California, 23-26 Mac, 1992.

· C. Bouman dan M. Shapiro 1994, "Model Medan Rawak Berbilang Skala untuk Imej Bayesian
Segmentasi", IEEE Trans. on Image Memproses., 3(2), 162-177 " (PDF)

· McCauley, JD dan BA Engel 1995, "Perbandingan Segmentasi Adegan: SMAP, ECHO
dan Kemungkinan Maksimum", IEEE Trans. on Geosains and Jauh Penderiaan, 33(6):
1313-1316.

Gunakan i.smapgrass dalam talian menggunakan perkhidmatan onworks.net