pksvm - Интернет в облаке

ПРОГРАММА:

ИМЯ

pksvm - классифицируйте растровое изображение с помощью машины опорных векторов

СИНТАКСИС

пксвм -t обучение [-i вход] [-o выходной] [-резюме ценностное ] [кредита] [продвинутый кредита]

ОПИСАНИЕ

пксвм реализует машину опорных векторов (SVM) для решения контролируемой классификации
проблема. Реализация основана на библиотеке C ++ с открытым исходным кодом libSVM.
(http://www.csie.ntu.edu.tw/~cjlin/libsvm). Как растровые, так и векторные файлы поддерживаются как
Вход. Выходные данные будут содержать результат классификации в растровом или векторном формате.
формат, соответствующий формату ввода. Обучающая выборка должна быть предоставлена ​​как
набор векторных данных OGR, содержащий метки классов и функции для каждого обучения
точка. Расположение точек не учитывается на этапе обучения. Вы можете использовать то же самое
обучающая выборка для классификации различных изображений при условии количества полос
изображения идентичны. Используйте утилиту pkextract для создания подходящей обучающей выборки,
на основе выборки точек или многоугольников. Для растровых выходных карт вы можете прикрепить цвет
таблица с опцией -кт.

ДОПОЛНИТЕЛЬНЫЕ ОПЦИИ

-t имя файла, --обучение имя файла
Обучающий векторный файл. Один векторный файл содержит все обучающие функции (должен быть
устанавливается как: b0, b1, b2, ...) для всех классов (номера классов определяются опцией метки).
Используйте несколько обучающих файлов для агрегирования начальной загрузки (альтернатива --сумка и
- размер варианты, где случайное подмножество берется из одного тренировочного файла)

-i имя файла, --Вход имя файла
входное изображение

-o имя файла, --выход имя файла
Выходное изображение классификации

-резюме ценностное , --резюме ценностное
N-кратный режим перекрестной проверки (по умолчанию: 0)

-tln слой, --tln слой
Имя (а) обучающего слоя

-c имя, --класс имя
Список имен классов.

-r ценностное , - переклассифицировать ценностное
Список значений класса (используйте тот же порядок, что и в --класс опция).

-из формат GDAL, --формат формат GDAL
Формат выходного изображения (см. Также gdal_translate(1 г.)).

-f формат, --f формат
Формат вывода ogr для активной обучающей выборки

-со ИМЯ = ЗНАЧЕНИЕ, -СО ИМЯ = ЗНАЧЕНИЕ
Возможность создания выходного файла. Можно указать несколько вариантов.

-кт имя файла, --кт имя файла
Таблица цветов в формате ASCII с 5 столбцами: id RGB ALFA (0: прозрачный, 255:
твердый)

-этикетка атрибут, --метка атрибут
Идентификатор метки класса в обучающем векторном файле. (по умолчанию: метка)

-прежний ценностное , --прежний ценностное
Априорные вероятности для каждого класса (например, -прежний 0.3 -прежний 0.3 -прежний 0.2) Б / у
только для ввода (игнорируется для перекрестной проверки)

-g гамма, --гамма гамма
Гамма в функции ядра

-cc стоят, - стоимость стоят
Параметр C C_SVC, epsilon_SVR и nu_SVR

-m имя файла, - маска имя файла
Классифицируйте только в рамках указанной маски (векторной или растровой). Для растровой маски установите
значения nodata с опцией --msknodata.

-msknodata ценностное , --msknodata ценностное
Значения маски, которые не следует учитывать при классификации. Ценности будут приняты в
классификационное изображение.

-нет данных ценностное , --нет данных ценностное
Значение Nodata для размещения там, где изображение замаскировано как Nodata

-v уровень, --подробный уровень
Уровень подробностей

Дополнительные параметры

-b группа, --группа группа
Индекс полосы (начиная с 0, либо используйте --группа вариант или использовать --startband в
--конечная полоса)

-полос группа, --startband группа
Порядковый номер начальной полосы

-ебанд группа, --конечная полоса группа
Порядковый номер конечной полосы

-bal размер, --остаток средств размер
Сбалансируйте входные данные с этим количеством выборок для каждого класса

-мин номер, --мин номер
Если количество обучающих пикселей меньше min, не учитывайте этот класс
(0: рассмотреть все классы)

-мешок ценностное , --сумка ценностное
Количество агрегатов начальной загрузки (по умолчанию без упаковки: 1)

размер сумки ценностное , - размер ценностное
Процент функций, используемых из доступных функций обучения для каждой начальной загрузки
агрегирование (один размер для всех классов или другой размер для каждого класса
соответственно

-гребень править, --гребень править
Как комбинировать классификаторы агрегации начальной загрузки (0: правило сумм, 1: правило продукта, 2:
правило макс). Также используется для агрегирования классов с опцией rc.

-кб имя файла, - классная сумка имя файла
Вывод для каждой отдельной бутстраповой агрегации

-проб имя файла, --проб имя файла
Изображение вероятности.

-компенсировать ценностное , --компенсировать ценностное
Значение смещения для каждой входной характеристики спектрального диапазона:
refl [диапазон] = (DN [диапазон] -смещение [диапазон]) / масштаб [диапазон]

-масштаб ценностное , --шкала ценностное
Значение шкалы для каждого входного спектрального диапазона:
refl = (DN [band] -offset [band]) / scale [band] (используйте 0, если масштабирование min и max в каждом диапазоне
до -1.0 и 1.0)

-СВМТ напишите, --svmtype напишите
Тип SVM (C_SVC, nu_SVC, one_class, epsilon_SVR, nu_SVR)

-кт напишите, --kerneltype напишите
Тип функции ядра (линейная, полиномиальная, радиальная, сигмовидная)

-кд ценностное , --кд ценностное
Степень в функции ядра

С0 ценностное , --коэф0 ценностное
Coef0 в функции ядра

-ну ценностное , --ну ценностное
Параметр nu для nu-SVC, одноклассной SVM и nu-SVR

-елосс ценностное , --элосс ценностное
Эпсилон в функции потерь эпсилон-SVR

-кэш номер, --кэш номер
Кэш ⟨http://pktools.nongnu.org/html/classCache.html⟩ Размер памяти в МБ (по умолчанию:
100)

-этол ценностное , --этол ценностное
допуск критерия завершения (по умолчанию: 0.001)

-сокращаться, --сокращаться
Следует ли использовать эвристику сжатия

созданный номер, --неактивный номер
Количество активных тренировочных очков

ПРИМЕР

Классифицируйте входное изображение input.tif с помощью машины опорных векторов. Обучающая выборка, которая
предоставляется как набор векторных данных OGR. Он содержит все функции (размерность такая же, как у
input.tif) в своих полях (пожалуйста, отметьте pkextract(1) о том, как получить такой файл из
"чистый" векторный файл, содержащий только локации). Двукратная перекрестная проверка (cv):
выполнено (вывод на экран). Параметры стоимости и гаммы машины опорных векторов
установлены на 1000 и 0.1 соответственно. Таблица цветов (текстовый файл из пяти столбцов: изображение
значение, КРАСНЫЙ, ЗЕЛЕНЫЙ, СИНИЙ, АЛЬФА).

пксвм -i input.tif -t обучение.sqlite -o вывод.tif -резюме 2 -кт colortable.txt -cc 1000 -g 0.1

Классификация с использованием начальной агрегации. Обучающая выборка случайным образом разбивается на
три подвыборки (по 33% от исходной выборки).

пксвм -i input.tif -t обучение.sqlite -o вывод.tif -бс 33 -мешок 3

Классификация с использованием априорных вероятностей для каждого класса. Приоры автоматически
нормализованный. Порядок, в котором параметры -p должны соблюдать буквенно-цифровые
порядок имен классов (класс 10 предшествует 2 ...)

пксвм -i input.tif -t обучение.sqlite -o вывод.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 января 2016 пксвм(1)

Используйте pksvm онлайн с помощью сервисов onworks.net