pksvm - 云端在线

程序：

您的姓名

pksvm - 使用支持向量机对光栅图像进行分类

概要

虚拟机 -t 测试 [-i 输入[-o 产量[-简历 折扣值[选项[高级 选项]

商品描述

虚拟机 实现支持向量机 (SVM) 来解决监督分类
问题。 实现基于开源C++库libSVM
(http://www.csie.ntu.edu.tw/~cjlin/libsvm）。 光栅和矢量文件都支持
输入。 输出将包含分类结果，无论是栅格还是矢量
format，对应输入的格式。 必须提供训练样本作为
一个 OGR 向量数据集，包含每个训练的类标签和特征
观点。 在训练步骤中不考虑点位置。 您可以使用相同的
用于对不同图像进行分类的训练样本，提供的波段数
图像是相同的。 使用实用程序 pkextract 创建合适的训练样本，
基于点或多边形的样本。 对于栅格输出地图，您可以附加颜色
使用选项的表 -ct.

配置

-t 文件名, - 训练 文件名
训练矢量文件。 单个向量文件包含所有训练特征（必须是
设置为：b0, b1, b2,...) 对于所有类（由标签选项标识的类号）。
使用多个训练文件进行引导聚合（替代 - 包 和
--包大小 选项，其中从单个训练文件中获取随机子集）

-i 文件名, - 输入 文件名
输入图像

-o 文件名, - 输出 文件名
输出分类图像

-简历 折扣值, - 简历 折扣值
N 折交叉验证模式（默认值：0）

-tin 层, --tln 层
训练层名称

-c 姓名, - 班级 姓名
类名列表。

-r 折扣值, --重新分类 折扣值
类值列表（使用与 - 班级 选项）。

-的 GDAL格式, --o格式 GDAL格式
输出图像格式（另见 gdal_翻译（1））。

-f 格式, - F 格式
活动训练样本的输出 ogr 格式

-co NAME = VALUE, --co NAME = VALUE
输出文件的创建选项。 可以指定多个选项。

-ct 文件名, --ct 文件名
ASCII 格式的颜色表，有 5 列：id RGB ALFA（0：透明，255：
坚硬的）

-标签 属性, - 标签 属性
训练向量文件中类标签的标识符。 （默认：标签）

-事先的 折扣值, - 事先的 折扣值
每个类别的先验概率（例如， -事先的 0.3 -事先的 0.3 -事先的 0.2) 使用
仅用于输入（忽略交叉验证）

-g 伽玛, --伽马 伽玛
核函数中的伽马

-cc 成本, --成本 成本
C_SVC、epsilon_SVR、nu_SVR的参数C

-m 文件名, - 面具 文件名
仅在指定的掩码（矢量或栅格）内分类。 对于光栅蒙版，设置
带有选项的 nodata 值 --msknodata.

-msknodata 折扣值, --msknodata 折扣值
不考虑分类的掩码值。 值将被接管
分类图像。

-没有数据 折扣值, - 没有数据 折扣值
将图像屏蔽为无数据的位置的无数据值

-v 水平, --详细 水平
详细级别

高级选项

-b 带, - 乐队 带
波段索引（从 0 开始，要么使用 - 乐队 选项或使用 --起始带 至
--端带)

-带 带, --起始带 带
起始波段序列号

-电子乐队 带, --端带 带
结束带序列号

-球 尺寸, - 平衡 尺寸
将输入数据平衡到每个类的这个样本数

-分钟 数, --分钟 数
如果训练像素数小于 min，则不考虑此类
（0：考虑所有类）

-袋 折扣值, - 包 折扣值
引导聚合的数量（默认为无袋装：1）

- 包大小 折扣值, --包大小 折扣值
每个引导程序的可用训练特征中使用的特征百分比
聚合（所有类的一个大小，或每个类的不同大小
分别

-梳 排除, - 梳子 排除
如何组合引导聚合分类器（0：求和规则，1：乘积规则，2：
最大规则）。 也用于使用 rc 选项聚合类。

-cb 文件名, --类包 文件名
每个单独的引导程序聚合的输出

-概率 文件名, - 概率 文件名
概率图。

-抵消 折扣值, - 抵消 折扣值
每个谱带输入特征的偏移值：
refl[频带]=(DN[频带]-偏移[频带])/比例[频带]

-规模 折扣值, - 规模 折扣值
每个谱带输入特征的尺度值：
refl=(DN[band]-offset[band])/scale[band]（如果在每个频段中缩放最小值和最大值，则使用 0
到 -1.0 和 1.0）

-svmt 类型, --svm类型 类型
SVM 的类型（C_SVC、nu_SVC、one_class、epsilon_SVR、nu_SVR）

-kt 类型, --内核类型 类型
核函数的类型（线性、多项式、径向、sigmoid）

-kd 折扣值, --kd 折扣值
核函数度

-c0 折扣值, --coef0 折扣值
核函数中的 Coef0

-nu 折扣值, ——努 折扣值
nu-SVC、一类SVM、nu-SVR的参数nu

- 损失 折扣值, --埃洛斯 折扣值
epsilon-SVR 损失函数中的 epsilon

-缓存 数, --缓存 数
缓存⟨http://pktools.nongnu.org/html/classCache.html⟩ 内存大小（以 MB 为单位）（默认：
100）

-乙醇 折扣值, --乙醇 折扣值
终止标准的容差（默认值：0.001）

-收缩, - 收缩
是否使用收缩启发式

创建 数, --nactive 数
活动训练点数

例

使用支持向量机对输入图像 input.tif 进行分类。 一个训练样本是
作为 OGR 矢量数据集提供。 它包含所有特征（与
input.tif）在其字段中（请检查 提取物(1) 关于如何从一个文件中获取这样的文件
仅包含位置的“干净”矢量文件）。 双重交叉验证 (cv) 是
执行（在屏幕上输出）。 支持向量机的参数cost和gamma
分别设置为 1000 和 0.1。 一个颜色表（一个五列文本文件：图像
值，RED，GREEN，BLUE，ALPHA）也已提供。

虚拟机 -i 输入.tif -t 训练.sqlite -o 输出.tif -简历 2 -ct 颜色表.txt -cc 1000 -g 0.1

使用引导程序聚合进行分类。 训练样本被随机分成
三个子样本（每个子样本的 33%）。

虚拟机 -i 输入.tif -t 训练.sqlite -o 输出.tif -bs 33 -袋 3

使用每个类的先验概率进行分类。 先验是自动的
归一化。 选项的顺序 -p 提供应尊重字母数字
类名的顺序（类 10 在 2 之前......）

虚拟机 -i 输入.tif -t 训练.sqlite -o 输出.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 January 2016 虚拟机(1)

使用 onworks.net 服务在线使用 pksvm