pksvm - Online na nuvem

PROGRAMA:

NOME

pksvm - classifica a imagem raster usando Support Vector Machine

SINOPSE

pksvm -t treinamento [-i entrada] [-o saída] [-cv valor] [opções] [avançado opções]

DESCRIÇÃO

pksvm implementa uma máquina de vetores de suporte (SVM) para resolver uma classificação supervisionada
problema. A implementação é baseada na biblioteca C ++ de código aberto libSVM
(http://www.csie.ntu.edu.tw/~cjlin/libsvm) Ambos os arquivos raster e vetoriais são suportados como
entrada. A saída irá conter o resultado da classificação, seja em formato raster ou vetorial
formato, correspondendo ao formato da entrada. Uma amostra de treinamento deve ser fornecida como
um conjunto de dados vetoriais OGR que contém os rótulos de classe e os recursos para cada treinamento
apontar. Os locais dos pontos não são considerados na etapa de treinamento. Você pode usar o mesmo
amostra de treinamento para classificação de diferentes imagens, desde o número de bandas do
as imagens são idênticas. Use o utilitário pkextract para criar uma amostra de treinamento adequada,
com base em uma amostra de pontos ou polígonos. Para mapas de saída raster, você pode anexar uma cor
mesa usando a opção -ct.

OPÇÕES

-t nome do arquivo, --Treinamento nome do arquivo
Arquivo vetorial de treinamento. Um único arquivo vetorial contém todos os recursos de treinamento (deve ser
definido como: b0, b1, b2, ...) para todas as classes (números de classe identificados pela opção de rótulo).
Use vários arquivos de treinamento para agregação de bootstrap (alternativa ao --Bolsa e
--bagsize opções, em que um subconjunto aleatório é obtido de um único arquivo de treinamento)

-i nome do arquivo, --entrada nome do arquivo
imagem de entrada

-o nome do arquivo, --resultado nome do arquivo
Imagem de classificação de saída

-cv valor, --cv valor
Modo de validação cruzada N-fold (padrão: 0)

-tln camada, --tln camada
Nome (s) da camada de treinamento

-c nome, --classe nome
Lista de nomes de classes.

-r valor, --reclassificar valor
Lista de valores de classe (use a mesma ordem que em --classe opção).

-do Formato GDAL, --oformato Formato GDAL
Formato da imagem de saída (ver também gdal_translate(1)).

-f formato, --f formato
Formato ogr de saída para amostra de treinamento ativo

-co NAME = VALUE, --co NAME = VALUE
Opção de criação para arquivo de saída. Várias opções podem ser especificadas.

-ct nome do arquivo, --ct nome do arquivo
Tabela de cores em formato ASCII com 5 colunas: id RGB ALFA (0: transparente, 255:
sólido)

-rótulo atributo, --rótulo atributo
Identificador do rótulo da classe no arquivo vetorial de treinamento. (padrão: rótulo)

-anterior valor, --anterior valor
Probabilidades anteriores para cada classe (por exemplo, -anterior 0.3 -anterior 0.3 -anterior 0.2) Usado
apenas para entrada (ignorado para validação cruzada)

-g gama, --gama gama
Gama na função do kernel

-cc custo, --ccusto custo
O parâmetro C de C_SVC, epsilon_SVR e nu_SVR

-m nome do arquivo, --mascarar nome do arquivo
Classifique apenas dentro da máscara especificada (vetorial ou raster). Para máscara raster, defina
valores nodata com a opção --msknodata.

-msknodata valor, --msknodata valor
Valor de máscara a não considerar para classificação. Os valores serão assumidos em
imagem de classificação.

-nodados valor, --nodata valor
Valor Nodata a ser colocado onde a imagem é mascarada como nodata

-v nível, --verbose nível
Nível detalhado

opções avançadas

-b banda, --banda banda
Índice de banda (começando em 0, use --banda opção ou uso --startband para
- banda final)

- banda banda, --startband banda
Número de sequência da banda inicial

-banda banda, - banda final banda
Número de sequência da banda final

-bal tamanho, --Saldo tamanho
Equilibre os dados de entrada com este número de amostras para cada classe

- min número, --min número
Se o número de pixels de treinamento for menor que o mínimo, não leve esta classe em consideração
(0: considera todas as classes)

-Bolsa valor, --Bolsa valor
Número de agregações de bootstrap (o padrão é sem bagging: 1)

-tamanho da bolsa valor, --bagsize valor
Porcentagem de recursos usados ​​a partir de recursos de treinamento disponíveis para cada bootstrap
agregação (um tamanho para todas as classes ou um tamanho diferente para cada classe
respectivamente

-pente governar, --pentear governar
Como combinar classificadores de agregação de bootstrap (0: regra de soma, 1: regra de produto, 2:
regra máxima). Também é usado para agregar classes com a opção rc.

-cb nome do arquivo, - bolsa de classe nome do arquivo
Saída para cada agregação de bootstrap individual

-provável nome do arquivo, --problema nome do arquivo
Imagem de probabilidade.

-Deslocamento valor, --Deslocamento valor
Valor de deslocamento para cada recurso de entrada da banda espectral:
refl [banda] = (DN [banda] -desvio [banda]) / escala [banda]

-escala valor, --escala valor
Valor de escala para cada recurso de entrada da banda espectral:
refl = (DN [banda] -desvio [banda]) / escala [banda] (use 0 se a escala mín. e máx. em cada banda
para -1.0 e 1.0)

-svmt tipo, --svmtype tipo
Tipo de SVM (C_SVC, nu_SVC, one_class, epsilon_SVR, nu_SVR)

-kt tipo, --kerneltype tipo
Tipo de função kernel (linear, polinomial, radial, sigmóide)

-kd valor, --kd valor
Grau em função do kernel

-c0 valor, --coef0 valor
Coef0 na função do kernel

-nu valor, --nu valor
O parâmetro nu de nu-SVC, SVM de uma classe e nu-SVR

-perder valor, --perda valor
O épsilon em função de perda de épsilon-SVR

-cache número, --cache número
Cache ⟨http://pktools.nongnu.org/html/classCache.html⟩ Tamanho da memória em MB (padrão:
100)

-etol valor, --etol valor
a tolerância do critério de rescisão (padrão: 0.001)

-Psiquiatra, --Psiquiatra
Se deve usar a heurística de redução

criado número, --nativo número
Número de pontos de treinamento ativos

EXEMPLO

Classifique a imagem de entrada input.tif com uma máquina de vetores de suporte. Um exemplo de treinamento que é
fornecido como um conjunto de dados de vetor OGR. Ele contém todos os recursos (mesma dimensionalidade que
input.tif) em seus campos (verifique pkeextract(1) sobre como obter tal arquivo de um
arquivo vetorial "limpo" contendo apenas locais). Uma validação cruzada dupla (cv) é
realizada (saída na tela). Os parâmetros custo e gama da máquina de vetores de suporte
são definidos para 1000 e 0.1 respectivamente. Uma tabela de cores (um arquivo de texto de cinco colunas: imagem
valor, RED, GREEN, BLUE, ALPHA) também foi fornecido.

pksvm -i entrada.tif -t treinamento.sqlite -o saída.tif -cv 2 -ct tabela de cores.txt -cc 1000 -g 0.1

Classificação usando agregação de bootstrap. A amostra de treinamento é dividida aleatoriamente em
três subamostras (33% da amostra original cada).

pksvm -i entrada.tif -t treinamento.sqlite -o saída.tif -bs 33 -Bolsa 3

Classificação usando probabilidades anteriores para cada classe. Os antecedentes são automaticamente
normalizado. A ordem em que as opções -p são fornecidos devem respeitar o alfanumérico
ordem dos nomes das classes (a classe 10 vem antes de 2 ...)

pksvm -i entrada.tif -t treinamento.sqlite -o saída.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 Janeiro de 2016 pksvm(1)

Use pksvm online usando serviços onworks.net