i.smapgrass - Online w chmurze

PROGRAM:

IMIĘ

i.smap - Dokonuje kontekstowej klasyfikacji obrazów przy użyciu maksimum sekwencyjnego a posteriori
(SMAP) estymacja.

SŁOWA KLUCZOWE

obrazowanie, klasyfikacja, klasyfikacja nadzorowana, segmentacja, SMAP

STRESZCZENIE

i.smap
i.smap --help
i.smap [-m] grupa=Nazwa podgrupa=Nazwa plik podpisu=Nazwa wydajność=Nazwa [dobroć=Nazwa]
[rozmiar bloku=liczba całkowita] [--przepisać] [--pomoc] [--gadatliwy] [--cichy] [--ui]

Flagi:
-m
Użyj oszacowania największej wiarygodności (zamiast smap)

--przepisać
Zezwalaj plikom wyjściowym na zastępowanie istniejących plików

--help
Wydrukuj podsumowanie wykorzystania

--gadatliwy
Pełne wyjście modułu

--cichy
Cichy moduł wyjściowy

--UI
Wymuś uruchomienie okna GUI

Parametry:
grupa=Nazwa [wymagany]
Nazwa grupy obrazów wejściowych

podgrupa=Nazwa [wymagany]
Nazwa podgrupy obrazów wejściowych

plik podpisu=Nazwa [wymagany]
Nazwa pliku wejściowego zawierającego podpisy
Wygenerowane przez i.gensigset

wydajność=Nazwa [wymagany]
Nazwa wyjściowej mapy rastrowej zawierającej wyniki klasyfikacji

dobroć=Nazwa
Nazwa wyjściowej mapy rastrowej przechowującej dobroć dopasowania (im niższa, tym lepsza)

rozmiar bloku=liczba całkowita
Rozmiar podmacierzy do jednoczesnego przetwarzania
Zaniedbanie: 1024

OPIS

Kurs i.smap Program służy do segmentacji obrazów wielospektralnych przy użyciu modelu klas widmowych
znany jako rozkład mieszaniny Gaussa. Ponieważ rozkłady mieszanin Gaussa obejmują
konwencjonalnych wielowymiarowych rozkładów Gaussa, program ten może być również używany do segmentacji
obrazy wielospektralne oparte na prostych parametrach średniej widmowej i kowariancji.

i.smap posiada dwa tryby pracy. Pierwszy tryb to kolejne maksimum a posteriori
(SMAP) [1,2]. Algorytm segmentacji SMAP próbuje ulepszyć segmentację
dokładność poprzez segmentację obrazu na regiony zamiast segmentowania każdego piksela osobno
(Zobacz notatki).

Drugi tryb to bardziej konwencjonalna klasyfikacja największej wiarygodności (ML), która
klasyfikuje każdy piksel osobno, ale wymaga nieco mniej obliczeń. Ten tryb jest
wybrany z -m flaga (patrz poniżej).

OPCJE

Flagi:
-m
Użyj oszacowania największej wiarygodności (zamiast smap). Normalna operacja polega na użyciu SMAP
oszacowanie (patrz UWAGI).

Parametry:
grupa=Nazwa
grupa obrazów
Grupa obrazów, która definiuje obraz, który ma zostać sklasyfikowany.

podgrupa=Nazwa
podgrupa obrazów
Podgrupa w określonej grupie, która określa podzbiór plików pasma
które mają zostać wykorzystane jako dane obrazu podlegające klasyfikacji.

plik podpisu=Nazwa
plik podpisu obrazów
Plik sygnatur zawierający sygnatury widmowe (tj. statystyki) dla
klasy, które mają być zidentyfikowane na obrazku. Ten plik podpisu jest tworzony przez
program i.gensigset (Zobacz notatki).

rozmiar bloku=wartość
rozmiar podmacierzy do jednoczesnego przetworzenia
domyślnie: 1024
Opcja ta określa wielkość "okna" używanego podczas odczytu danych obrazu.

Program ten został napisany, aby uwzględnić wykorzystanie pamięci bez wpływu na wynik
Klasyfikacja. Ta opcja pozwala użytkownikowi kontrolować ilość wykorzystywanej pamięci. Więcej
pamięć może oznaczać szybsze (lub wolniejsze) działanie w zależności od tego, ile masz prawdziwej pamięci
maszyna ma i ile pamięci wirtualnej wykorzystuje program.

Rozmiar podmacierzy używanej do segmentacji obrazu ma podstawową funkcję
kontrolowanie wykorzystania pamięci; może jednak mieć również subtelny wpływ na jakość
segmentacja w trybie smap. Parametry wygładzania segmentacji smap to:
oszacowane oddzielnie dla każdej podmacierzy. Dlatego też, jeśli obraz zawiera regiony z
jakościowo różne zachowania (np. naturalne lasy i rolnictwo stworzone przez człowieka).
pola) przydatne może okazać się zastosowanie podmacierzy na tyle małej, aby możliwe było różne wygładzenie
Parametry można zastosować dla każdego charakterystycznego obszaru obrazu.

Rozmiar podmacierzy nie ma wpływu na wydajność metody segmentacji ML.

wyjście=Nazwa
wyjściowa mapa rastrowa.
Nazwa mapy rastrowej, która będzie zawierać wyniki klasyfikacji. To nowe
Warstwa mapy rastrowej będzie zawierać kategorie, które można powiązać z kategoriami pokrycia terenu
na ziemi.

INTERAKTYWNY TRYB

Jeśli w wierszu poleceń nie zostanie podany żaden z argumentów, i.smap będzie interaktywnie
zapytaj o nazwy map i plików.

UWAGI

Algorytm SMAP wykorzystuje fakt, że pobliskie piksele obrazu prawdopodobnie mają tzw
sama klasa. Działa poprzez segmentację obrazu w różnych skalach lub rozdzielczościach i wykorzystanie
segmentacje w skali zgrubnej, aby kierować segmentacjami w skali drobniejszej. Oprócz
zmniejszając liczbę błędnych klasyfikacji, zwykle generuje algorytm SMAP
segmentacje z większymi połączonymi regionami ustalonej klasy, które mogą być przydatne w niektórych przypadkach
aplikacji.

Stopień wygładzenia wykonywanego w segmentacji zależy od zachowania
danych na obrazku. Jeśli dane sugerują, że pobliskie piksele często zmieniają klasę,
wówczas algorytm adaptacyjnie zmniejszy stopień wygładzania. To gwarantuje
nie powstają zbyt duże obszary.

Stopień błędnych klasyfikacji można zbadać za pomocą mapy wyjściowej dobroci dopasowania.
Niższe wartości wskazują na lepsze dopasowanie. Największe wartości dobroci mogą być potrzebne od 5 do 15%.
bliższa inspekcja.

Moduł i.smap nie obsługuje komórek MASKOWANYCH ani NULL. Dlatego może być to konieczne
stworzyć kopię wyników klasyfikacji wykorzystując m.in. r.mapcalc:

r.mapcalc "MASKed_map = wyniki_klasyfikacji"

PRZYKŁAD

Nadzorowana klasyfikacja LANDSAT
g.region raster=lsat7_2002_10 -str
# zapisz VIZ, NIR, MIR w grupie/podgrupie
i.group grupa=my_lsat7_2002 podgrupa=my_lsat7_2002 \
input=lsat7_2002_10,lsat7_2002_20,lsat7_2002_30,lsat7_2002_40,lsat7_2002_50,lsat7_2002_70
# Teraz zdigitalizuj obszary szkoleniowe „szkolenia” za pomocą digitalizatora
# i przekonwertuj do modelu rastrowego za pomocą v.to.rast
v.to.rast wejście=wyjście szkolenia=użycie szkolenia=cat etykieta_kolumna=etykieta
# oblicz statystyki
i.gensigset trainingmap=trening group=my_lsat7_2002 subgroup=my_lsat7_2002 \
plik podpisu=my_smap_lsat7_2002 maxsig=5
i.smap group=my_lsat7_2002 subgroup=my_lsat7_2002 plik podpisu=my_smap_lsat7_2002 \
wyjście=lsat7_2002_smap_classes
# Sprawdź wzrokowo wynik
d.mon wx0
d.rast.leg lsat7_2002_smap_classes
# Statystycznie sprawdź wynik
r.kappa -w klasyfikacja=lsat7_2002_smap_classes referencja=szkolenie

LITERATURA

· C. Bouman i M. Shapiro, „Wielospektralna segmentacja obrazu przy użyciu wieloskalowego
Model obrazu”, Proc. of IEEE Int'l Konf. on Akustyka., Przemówienie i Sig. Proc., pp.
III-565 - III-568, San Francisco, Kalifornia, 23-26 marca 1992.

· C. Bouman i M. Shapiro 1994, „Wieloskalowy model pola losowego dla obrazu Bayesa
Segmentacja", IEEE Trans. on Obraz Przetwarzanie., 3(2) 162-177 " (PDF)

· McCauley, J.D. i B.A. Engel 1995, „Porównanie segmentacji scen: SMAP, ECHO
i maksymalne prawdopodobieństwo”, IEEE Trans. on Geoscience i Praca zdalna Wyczuwanie, 33(6):
1313-1316.

Korzystaj z i.smapgrass online, korzystając z usług onworks.net