i.smapgrass - Trực tuyến trên đám mây

CHƯƠNG TRÌNH:

TÊN

i.smap - Thực hiện phân loại hình ảnh theo ngữ cảnh bằng cách sử dụng tối đa tuần tự một posteriori
(SMAP) ước tính.

TỪ KHÓA

hình ảnh, phân loại, phân loại được giám sát, phân đoạn, SMAP

SYNOPSIS

i.smap
i.smap --Cứu giúp
i.smap [-m] nhóm=tên nhóm con=tên hồ sơ chữ ký=tên đầu ra=tên [lòng tốt=tên]
[kích thước khối=số nguyên] [-ghi đè] [-giúp đỡ] [-dài dòng] [-yên tĩnh] [-ui]

Cờ:
-m
Sử dụng ước tính khả năng xảy ra tối đa (thay vì smap)

- ghi đè
Cho phép các tệp đầu ra ghi đè lên các tệp hiện có

--Cứu giúp
In tóm tắt sử dụng

--dài dòng
Đầu ra mô-đun dài dòng

--Yên lặng
Đầu ra mô-đun yên tĩnh

--ui
Buộc khởi chạy hộp thoại GUI

Tham số:
nhóm=tên [yêu cầu]
Tên của nhóm hình ảnh đầu vào

nhóm con=tên [yêu cầu]
Tên của nhóm con hình ảnh đầu vào

hồ sơ chữ ký=tên [yêu cầu]
Tên tệp đầu vào chứa chữ ký
Được tạo bởi i.gensigset

đầu ra=tên [yêu cầu]
Tên cho kết quả phân loại bản đồ raster nắm giữ

lòng tốt=tên
Tên cho bản đồ raster đầu ra có độ phù hợp tốt (càng thấp càng tốt)

kích thước khối=số nguyên
Kích thước của submatrix để xử lý cùng một lúc
Mặc định: 1024

MÔ TẢ

Sản phẩm i.smap chương trình được sử dụng để phân đoạn hình ảnh đa phổ bằng cách sử dụng mô hình lớp quang phổ
được gọi là phân bố hỗn hợp Gauss. Vì phân phối hỗn hợp Gaussian bao gồm
phân phối Gaussian đa biến thông thường, chương trình này cũng có thể được sử dụng để phân đoạn
ảnh đa phổ dựa trên các tham số trung bình và hiệp phương sai phổ đơn giản.

i.smap có hai chế độ hoạt động. Chế độ đầu tiên là mức tối đa tuần tự của một posteriori
(SMAP) chế độ [1,2]. Thuật toán phân đoạn SMAP cố gắng cải thiện phân đoạn
độ chính xác bằng cách phân đoạn hình ảnh thành các vùng thay vì phân đoạn từng pixel riêng biệt
(xem LƯU Ý).

Chế độ thứ hai là phân loại khả năng tối đa (ML) thông thường hơn,
phân loại từng pixel riêng biệt, nhưng ít yêu cầu tính toán hơn. Chế độ này là
được chọn với -m cờ (xem bên dưới).

LỰA CHỌN

Cờ:
-m
Sử dụng ước tính khả năng xảy ra tối đa (thay vì smap). Hoạt động bình thường là sử dụng SMAP
ước tính (xem LƯU Ý).

Tham số:
nhóm =tên
nhóm hình ảnh
Nhóm hình ảnh xác định hình ảnh được phân loại.

nhóm con =tên
nhóm phụ hình ảnh
Nhóm con trong nhóm được chỉ định xác định tập hợp con của các tệp băng tần
sẽ được sử dụng làm dữ liệu hình ảnh được phân loại.

signaturefile =tên
tệp chữ ký hình ảnh
Tệp chữ ký chứa các chữ ký quang phổ (tức là số liệu thống kê) cho
các lớp được xác định trong hình ảnh. Tệp chữ ký này được tạo ra bởi
chương trình i.gensigset (xem LƯU Ý).

kích thước khối =giá trị
kích thước của submatrix để xử lý cùng một lúc
mặc định: 1024
Tùy chọn này chỉ định kích thước của "cửa sổ" sẽ được sử dụng khi đọc dữ liệu hình ảnh.

Chương trình này được viết để tốt về việc sử dụng bộ nhớ mà không ảnh hưởng đến kết quả
sự phân loại. Tùy chọn này cho phép người dùng kiểm soát lượng bộ nhớ được sử dụng. Hơn
bộ nhớ có thể có nghĩa là hoạt động nhanh hơn (hoặc chậm hơn) tùy thuộc vào lượng bộ nhớ thực của bạn
máy có và bao nhiêu bộ nhớ ảo chương trình sử dụng.

Kích thước của submatrix được sử dụng để phân đoạn hình ảnh có chức năng chính là
kiểm soát việc sử dụng bộ nhớ; tuy nhiên, nó cũng có thể có ảnh hưởng tinh tế đến chất lượng của
phân đoạn trong chế độ smap. Các thông số làm mịn cho phân đoạn smap là
ước tính riêng cho từng submatrix. Do đó, nếu hình ảnh có các vùng với
hành vi khác nhau về chất, (ví dụ: rừng tự nhiên và nông nghiệp nhân tạo
các trường) có thể hữu ích khi sử dụng một submatrix đủ nhỏ để làm mịn các
các tham số có thể được sử dụng cho từng vùng riêng biệt của hình ảnh.

Kích thước submatrix không ảnh hưởng đến hiệu suất của phương pháp phân đoạn ML.

đầu ra =tên
xuất bản đồ raster.
Tên của bản đồ raster sẽ chứa các kết quả phân loại. Điều này mới
lớp bản đồ raster sẽ chứa các danh mục có thể liên quan đến các danh mục lớp phủ đất
trên mặt đất.

TƯƠNG TÁC PHƯƠNG THỨC

Nếu không có đối số nào được chỉ định trên dòng lệnh, i.smap sẽ tương tác
nhắc tên của bản đồ và tệp.

GHI CHÚ

Thuật toán SMAP khai thác thực tế rằng các pixel lân cận trong một hình ảnh có khả năng có
cùng lớp. Nó hoạt động bằng cách phân đoạn hình ảnh ở nhiều tỷ lệ hoặc độ phân giải khác nhau và sử dụng
các phân đoạn quy mô thô để hướng dẫn các phân đoạn quy mô tốt hơn. Ngoài
giảm số lượng phân loại sai, thuật toán SMAP thường tạo ra
phân đoạn với các vùng được kết nối lớn hơn của một lớp cố định có thể hữu ích trong một số
các ứng dụng.

Mức độ làm mịn được thực hiện trong phân đoạn phụ thuộc vào hành vi
của dữ liệu trong hình ảnh. Nếu dữ liệu gợi ý rằng các pixel lân cận thường thay đổi lớp,
thì thuật toán sẽ giảm lượng làm mịn một cách thích ứng. Điều này đảm bảo rằng
các vùng quá lớn không được hình thành.

Mức độ phân loại sai có thể được điều tra với mức độ tốt của bản đồ đầu ra phù hợp.
Giá trị thấp hơn cho thấy phù hợp hơn. 5 đến 15% giá trị tốt nhất có thể cần
một số kiểm tra kỹ hơn.

Mô-đun i.smap không hỗ trợ các ô MASKed hoặc NULL. Do đó, nó có thể là cần thiết
để tạo bản sao kết quả phân loại bằng egrmapcalc:

r.mapcalc "MASKed_map = phân loại_results"

THÍ DỤ

Phân loại được giám sát của LANDSAT
g.region raster = lsat7_2002_10 -p
# lưu trữ VIZ, NIR, MIR vào nhóm / nhóm con
i.group nhóm=my_lsat7_2002 nhóm con=my_lsat7_2002
input=lsat7_2002_10,lsat7_2002_20,lsat7_2002_30,lsat7_2002_40,lsat7_2002_50,lsat7_2002_70
# Bây giờ số hóa các khu vực đào tạo "đào tạo" với trình số hóa
# và chuyển đổi sang mô hình raster với v.to.rast
v.to.rast input = training output = training use = cat label_column = label
# tính toán thống kê
i.gensigset Trainingmap=nhóm đào tạo=my_lsat7_2002 nhóm con=my_lsat7_2002
signaturefile = my_smap_lsat7_2002 maxsig = 5
nhóm i.smap=my_lsat7_2002 nhóm con=my_lsat7_2002 signaturefile=my_smap_lsat7_2002
output = lsat7_2002_smap_classes
# Kết quả kiểm tra trực quan
d.mon wx0.
d.rast.leg lsat7_2002_smap_classes
# Kết quả kiểm tra thống kê
r.kappa -w phân loại = lsat7_2002_smap_classes tham chiếu = đào tạo

THAM KHẢO

· C. Bouman và M. Shapiro, "Phân đoạn hình ảnh đa kính bằng cách sử dụng đa tỷ lệ
Mô hình hình ảnh ", Proc of IEEE Quốc tế Lời thú nhận. on âm thanh., Phát biểu và Sig. quy trình, pp.
III-565 - III-568, San Francisco, California, 23-26 tháng 1992 năm XNUMX.

· C. Bouman và M. Shapiro 1994, "Mô hình trường ngẫu nhiên đa tỷ lệ cho hình ảnh Bayes
Phân đoạn ", IEEE Dịch. on Hình ảnh Xử lý., 3(2) 162-177 " (PDF)

· McCauley, JD và BA Engel 1995, "So sánh các phân đoạn cảnh: SMAP, ECHO
và Khả năng tối đa ", IEEE Dịch. on Khoa học địa chất và Xa Cảm biến, 33(6):
1313-1316.

Sử dụng i.smapgrass trực tuyến bằng các dịch vụ onworks.net