Bu, Ubuntu Online, Fedora Online, Windows çevrimiçi emülatörü veya MAC OS çevrimiçi emülatörü gibi birden fazla ücretsiz çevrimiçi iş istasyonumuzdan birini kullanarak OnWorks ücretsiz barındırma sağlayıcısında çalıştırılabilen i.smapgrass komutudur.
Program:
ADI
i.smap - Sıralı maksimum a posteriori kullanarak bağlamsal görüntü sınıflandırması gerçekleştirir
(SMAP) tahmini.
ANAHTAR KELİMELER
görüntü, sınıflandırma, denetimli sınıflandırma, segmentasyon, SMAP
SİNOPSİS
i.smap
i.smap --yardım et
i.smap [-m] Grup=isim alt-grup=isim imza dosyası=isim çıktı=isim [iyilik=isim]
[blok boyutu=tamsayı] [--üzerine] [--yardım et] [--gereksiz sözlerle dolu] [--sessiz] [--ui]
Bayraklar:
-m
Maksimum olabilirlik tahminini kullanın (smap yerine)
--üzerine yaz
Çıktı dosyalarının mevcut dosyaların üzerine yazmasına izin ver
--yardım et
Kullanım özetini yazdır
--ayrıntılı
Ayrıntılı modül çıkışı
--sessizlik
Sessiz modül çıkışı
--ui
GUI iletişim kutusunu başlatmaya zorla
Parametreler:
Grup=isim [gereklidir]
Giriş görüntüsü grubunun adı
alt-grup=isim [gereklidir]
Giriş görüntüsü alt grubunun adı
imza dosyası=isim [gereklidir]
İmzaları içeren girdi dosyasının adı
i.gensigset tarafından oluşturuldu
çıktı=isim [gereklidir]
Sınıflandırma sonuçlarını tutan çıktı raster haritasının adı
iyilik=isim
Uyum iyiliğini tutan çıktı raster haritasının adı (düşük daha iyidir)
blok boyutu=tamsayı
Tek seferde işlenecek alt matrisin boyutu
Varsayılan: 1024
TANIM
The i.smap programı, bir spektral sınıf modeli kullanarak multispektral görüntüleri segmentlere ayırmak için kullanılır.
Gauss karışım dağılımı olarak bilinir. Gauss karışım dağılımları içerdiğinden
geleneksel çok değişkenli Gauss dağılımları, bu program aynı zamanda segmentlere ayırmak için de kullanılabilir.
basit spektral ortalama ve kovaryans parametrelerine dayalı multispektral görüntüler.
i.smap iki çalışma modu vardır. İlk mod, ardışık maksimum a posteriori'dir.
(SMAP) modu [1,2]. SMAP segmentasyon algoritması, segmentasyonu iyileştirmeye çalışır
Her pikseli ayrı ayrı bölümlere ayırmak yerine görüntüyü bölgelere ayırarak doğruluk
(Notları görmek).
İkinci mod, daha geleneksel maksimum olabilirlik (ML) sınıflandırmasıdır.
her pikseli ayrı ayrı sınıflandırır, ancak biraz daha az hesaplama gerektirir. Bu mod
ile seçilen -m bayrak (aşağıya bakınız).
SEÇENEKLER
Bayraklar:
-m
Maksimum olabilirlik tahminini kullanın (smap yerine). Normal işlem SMAP kullanmaktır
tahmini (bkz. NOTLAR).
Parametreler:
grup =isim
görüntü grubu
Sınıflandırılacak görüntüyü tanımlayan görüntü grubu.
alt grup=isim
görüntü alt grubu
Grup dosyalarının alt kümesini belirten belirtilen grup içindeki alt grup
sınıflandırılacak görüntü verisi olarak kullanılacaktır.
imza dosyası=isim
görüntü imza dosyası
için spektral imzaları (yani istatistikler) içeren imza dosyası
resimde tanımlanacak sınıflar. Bu imza dosyası,
program i.gensigset (Notları görmek).
blok boyutu=değer
bir seferde işlenecek alt matrisin boyutu
varsayılan: 1024
Bu seçenek, görüntü verileri okunurken kullanılacak "pencerenin" boyutunu belirtir.
Bu program, sonucu etkilemeden bellek kullanımı konusunda iyi olmak için yazılmıştır.
sınıflandırma. Bu seçenek, kullanıcının ne kadar bellek kullanıldığını kontrol etmesini sağlar. Daha
bellek, bilgisayarınızın ne kadar gerçek belleğe sahip olduğuna bağlı olarak daha hızlı (veya daha yavaş) işlem anlamına gelebilir.
makinenin sahip olduğu ve programın kullandığı sanal bellek miktarı.
Görüntüyü bölümlere ayırmada kullanılan alt matrisin boyutu, temel bir işleve sahiptir.
bellek kullanımını kontrol etme; bununla birlikte, kalite üzerinde ince bir etkiye de sahip olabilir.
smap modunda segmentasyon. Smap segmentasyonu için yumuşatma parametreleri şunlardır:
her bir alt matris için ayrı ayrı tahmin edilmiştir. Bu nedenle, görüntünün bölgeleri varsa
niteliksel olarak farklı davranış, (örneğin, doğal ormanlık alanlar ve insan yapımı tarım
alanları) yeterince küçük bir alt matris kullanmak yararlı olabilir, böylece farklı yumuşatma
parametreler görüntünün her bir ayırt edici bölgesi için kullanılabilir.
Alt matris boyutunun, ML segmentasyon yönteminin performansı üzerinde hiçbir etkisi yoktur.
çıktı=isim
çıktı raster haritası.
Sınıflandırma sonuçlarını içerecek bir tarama haritasının adı. Bu yeni
raster harita katmanı, arazi örtüsü kategorileriyle ilişkilendirilebilecek kategorileri içerecektir
yere.
İNTERAKTİF MOD
Komut satırında bağımsız değişkenlerden hiçbiri belirtilmemişse, i.smap etkileşimli olacak
haritaların ve dosyaların adlarını ister.
NOTLAR
SMAP algoritması, bir görüntüdeki yakındaki piksellerin muhtemelen aşağıdaki özelliklere sahip olduğu gerçeğinden yararlanır.
aynı sınıf. Görüntüyü çeşitli ölçeklerde veya çözünürlüklerde bölümlere ayırarak ve kullanarak çalışır.
daha ince ölçekli segmentasyonlara rehberlik etmek için kaba ölçekli segmentasyonlar. Ek olarak
Yanlış sınıflandırmaların sayısını azaltan SMAP algoritması genellikle
bazılarında faydalı olabilecek sabit bir sınıfın daha büyük bağlantılı bölgelerine sahip segmentasyonlar
uygulamaları.
Segmentasyonda gerçekleştirilen yumuşatma miktarı davranışa bağlıdır.
resimdeki verilerden Veriler, yakındaki piksellerin sıklıkla sınıf değiştirdiğini gösteriyorsa,
daha sonra algoritma, yumuşatma miktarını uyarlanabilir şekilde azaltacaktır. Bu şunu sağlar:
aşırı geniş bölgeler oluşmaz.
Yanlış sınıflandırmaların derecesi, uygunluk çıktı haritasının iyiliği ile araştırılabilir.
Daha düşük değerler daha iyi bir uyumu gösterir. İyilik değerlerinin en büyük %5 ila %15'i gerekebilir
biraz daha yakından inceleme.
modül i.smap MASKed veya NULL hücreleri desteklemez. Bu nedenle gerekli olabilir
egrmapcalc kullanarak sınıflandırma sonuçlarının bir kopyasını oluşturmak için:
r.mapcalc "MASKed_map = sınıflandırma_sonuçları"
ÖRNEK
LANDSAT'ın denetimli sınıflandırması
g.bölge raster=lsat7_2002_10 -p
# VIZ, NIR, MIR'i gruba/alt gruba kaydedin
i.group grubu=my_lsat7_2002 alt grubu=my_lsat7_2002 \
input=lsat7_2002_10,lsat7_2002_20,lsat7_2002_30,lsat7_2002_40,lsat7_2002_50,lsat7_2002_70
# Şimdi sayısallaştırıcı ile eğitim alanlarını "eğitim" dijitalleştirin
# ve v.to.rast ile raster modele dönüştürün
v.to.rast input=eğitim çıktısı=eğitim kullanımı=cat label_column=label
# istatistikleri hesapla
i.gensigset trainingmap=eğitim grubu=my_lsat7_2002 alt grubu=my_lsat7_2002 \
imzadosyası=my_smap_lsat7_2002 maxsig=5
i.smap grubu=my_lsat7_2002 alt grubu=my_lsat7_2002 imza dosyası=my_smap_lsat7_2002 \
çıktı=lsat7_2002_smap_classes
# Görsel olarak sonucu kontrol edin
d.mon wx0
d.rast.leg lsat7_2002_smap_classes
# İstatistiksel olarak sonucu kontrol et
r.kappa -w sınıflandırma=lsat7_2002_smap_classes referans=eğitim
REFERANSLAR
· C. Bouman ve M. Shapiro, "Multispectral Image Segmentation using a Multiscale
Görüntü Modeli", Proc. of IEEE Uluslararası Konf. on akustik., Konuşma ve Sig. işlem., s.
III-565 - III-568, San Francisco, Kaliforniya, 23-26 Mart 1992.
· C. Bouman ve M. Shapiro 1994, "Bayes İmgesi için Çok Ölçekli Rastgele Alan Modeli
Segmentasyon", IEEE Trans. on Resim İşleme., 3(2) 162-177 " (PDF)
· McCauley, JD ve BA Engel 1995, "Sahne Bölümlemelerinin Karşılaştırılması: SMAP, ECHO
ve Maksimum Olasılık", IEEE Trans. on Geoscience ve uzak algılama, 33(6):
1313-1316.
onworks.net hizmetlerini kullanarak i.smapgrass'ı çevrimiçi kullanın
