Entraîner le classificateur K voisins les plus proches (Outils Image Analyst)

Résumé

Génère un fichier de définition de classificateur Esri (.ecd) à l’aide de la méthode de classification K voisins les plus proches.

Le classificateur K voisins les plus proches est une méthode de classification non paramétrique qui classe un pixel ou un segment selon un vote à la majorité relative de ses voisins. K est le nombre défini de voisins utilisés pour le vote.

Utilisation

L’outil affecte des échantillons d’entraînement à leurs classes respectives. La classe du pixel en entrée est déterminée par un vote à la majorité relative de ses K voisins les plus proches.
Tout raster pris en charge par Esri est accepté en entrée, y compris les produits raster, les rasters segmentés, les mosaïques, les services d’imagerie et les jeux de données raster génériques. Les rasters segmentés doivent être des rasters 8 bits à trois canaux.
La sortie de cet outil est un fichier .ecd qui permet de classer de nouveaux rasters dans l’outil Classify Raster (Classer le raster). L’outil Classify Raster (Classer le raster) calcule ensuite la distance entre chaque pixel ou segment en entrée et tous les échantillons d’entraînement.

Les données fournies à titre d’échantillons d’entraînement doivent être collectées à plusieurs reprises à l’aide du Training Samples Manager (Gestionnaire d’échantillons d’entraînement). La valeur de dimension de chaque exemple est répertoriée dans un champ figurant dans la classe d’entités des échantillons d’entraînement comme indiqué dans le paramètre Dimension Value Field (Champ de valeur de dimension).
Pour créer un fichier d’échantillon d’entraînement, accédez à la fenêtre [Training Samples Manager (Gestionnaire d’échantillons d’entraînement)] (../../help/analysis/image-analyst/training-samples-manager.md) à partir du menu déroulant Classification Tools (Outils de classification).
Pour les rasters segmentés, dont la propriété de clé est définie sur Segmented (Segmenté), l’outil calcule l’image d’index et les attributs de segments associés à partir du raster segmenté RVB. Les attributs sont calculés pour générer le fichier de définition de classificateur à utiliser dans un outil de classification distinct. Les attributs de chaque segment peuvent être calculés à partir de toute image prise en charge par Esri.
Le paramètre Segment Attributes (Attributs de segments) n’est actif que si l’une des entrées de la couche raster est une image segmentée.

Etiqueter	Explication	Type de données
Raster en entrée	Jeu de données raster à classer. Le raster à une seule bande ou raster segmenté, le raster à plusieurs bandes ou un raster multidimensionnel à classer.	Mosaic Layer; Raster Layer; Image Service; String
Fichier d'échantillon d'apprentissage en entrée	Fichier d’échantillons d’apprentissage ou couche délimitant les sites d’entraînement. Il peut s’agir de shapefiles ou de classes d’entités qui contiennent vos échantillons d’apprentissage. Les noms de champ suivants sont requis dans le fichier d’échantillons d'apprentissage : `classname`—Champ de texte indiquant le nom de la catégorie de classe `classvalue`—Champ d’entier long contenant la valeur entière de chaque catégorie de classe	Feature Layer
Fichier de définition de classificateur en sortie	Fichier `.ecd` JSON mis en forme qui contient des informations attributaires, des statistiques ou d’autres informations pour le classificateur.	File
Raster en entrée supplémentaire (Facultatif)	Des jeux de données raster auxiliaires, comme une image multispectrale ou un MNE, seront incorporés pour générer des attributs et d’autres informations requises par la classification. Ce paramètre est facultatif.	Raster Layer; Mosaic Layer; Image Service; String
K voisins les plus proches (Facultatif)	Nombre de voisins utilisés pour rechercher chaque pixel ou segment en entrée. Le fait d’augmenter le nombre de voisins a pour effet de réduire l’influence des voisins individuels sur le résultat de la classification. La valeur par défaut est 1.	Long
Nombre max d'échantillons par classe (Facultatif)	Nombre maximal d’échantillons d’entraînement qui seront utilisés pour chaque classe. Il est conseillé d’utiliser la valeur par défaut 1000 lorsque les entrées sont des rasters non segmentés. Une valeur inférieure ou égale à zéro signifie que le système utilisera tous les échantillons des sites d’apprentissage pour former le classificateur.	Long
Attributs de segments (Facultatif)	Spécifie les attributs à inclure dans la table attributaire associée au raster en sortie. Ce paramètre n’est actif que si la propriété clé Segmented (Segmenté) est définie sur true (vrai) dans le raster en entrée. Si la seule entrée de l’outil est une image segmentée, les attributs par défaut sont Converged color (Couleur de convergence), Count of pixels (Nombre de pixels), Compactness (Compacité) et Rectangularity (Rectangularité). Si une valeur Additional Input Raster (Raster en entrée supplémentaire) est incluse comme entrée avec une image segmentée, les attributs Mean digital number (Nombre numérique moyen) et Standard deviation (Écart type) sont également disponibles. Couleur de convergence—Les valeurs de couleurs RVB sont dérivées du raster en entrée, segment par segment. On parle également de couleur chromatique moyenne. Nombre numérique moyen—Le numéro numérique (DN) moyen sera dérivé de l’image de pixels facultative, segment par segment. Écart type—L’écart type sera dérivé de l’image de pixels facultative, segment par segment. Nombre de pixels—Le nombre de pixels qui composent le segment, segment par segment. Compacité—Degré auquel un segment est compact ou circulaire, segment par segment. Les valeurs sont comprises entre 0 et 1, où 1 correspond à un cercle. Rectangularité—Degré auquel le segment est rectangulaire, segment par segment. Les valeurs sont comprises entre 0 et 1, où 1 correspond à un rectangle.	String
Champ de valeur de dimension (Facultatif)	Contient les valeurs de dimension dans la classe d’entités des échantillons d’apprentissage en entrée. Ce paramètre est requis pour classer une série chronologique de données raster à l’aide de la sortie du raster d’analyse des changements produite par l’outil Analyze Changes Using CCDC (Analyser les changements avec l’algorithme CCDC).	Field

TrainKNearestNeighborClassifier(in_raster, in_training_features, out_classifier_definition, {in_additional_raster}, {kNN}, {max_samples_per_class}, {used_attributes}, {dimension_value_field})

Nom	Explication	Type de données
in_raster	Jeu de données raster à classer. Le raster à une seule bande ou raster segmenté, le raster à plusieurs bandes ou un raster multidimensionnel à classer.	Mosaic Layer; Raster Layer; Image Service; String
in_training_features	Fichier d’échantillons d’apprentissage ou couche délimitant les sites d’entraînement. Il peut s’agir de shapefiles ou de classes d’entités qui contiennent vos échantillons d’apprentissage. Les noms de champ suivants sont requis dans le fichier d’échantillons d'apprentissage : `classname`—Champ de texte indiquant le nom de la catégorie de classe `classvalue`—Champ d’entier long contenant la valeur entière de chaque catégorie de classe	Feature Layer
out_classifier_definition	Fichier `.ecd` JSON mis en forme qui contient des informations attributaires, des statistiques ou d’autres informations pour le classificateur.	File
in_additional_raster (Facultatif)	Des jeux de données raster auxiliaires, comme une image multispectrale ou un MNE, seront incorporés pour générer des attributs et d’autres informations requises par la classification. Ce paramètre est facultatif.	Raster Layer; Mosaic Layer; Image Service; String
kNN (Facultatif)	Nombre de voisins utilisés pour rechercher chaque pixel ou segment en entrée. Le fait d’augmenter le nombre de voisins a pour effet de réduire l’influence des voisins individuels sur le résultat de la classification. La valeur par défaut est 1.	Long
max_samples_per_class (Facultatif)	Nombre maximal d’échantillons d’entraînement qui seront utilisés pour chaque classe. Il est conseillé d’utiliser la valeur par défaut 1000 lorsque les entrées sont des rasters non segmentés. Une valeur inférieure ou égale à zéro signifie que le système utilisera tous les échantillons des sites d’apprentissage pour former le classificateur.	Long
used_attributes [used_attributes;used_attributes,...] (Facultatif)	Spécifie les attributs à inclure dans la table attributaire associée au raster en sortie. Ce paramètre est activé uniquement si la propriété de clé Segmented (Segmenté) est vraie (définie sur True) dans le raster en entrée. Si la seule entrée de l’outil est une image segmentée, les attributs par défaut sont `COLOR`, `COUNT`, `COMPACTNESS` et `RECTANGULARITY`. Si une valeur `in_additional_raster` est incluse comme entrée avec une image segmentée, les attributs `MEAN` et `STD` sont également disponibles. `COLOR`—Les valeurs de couleurs RVB sont dérivées du raster en entrée, segment par segment. On parle également de couleur chromatique moyenne. `MEAN`—Le numéro numérique (DN) moyen sera dérivé de l’image de pixels facultative, segment par segment. `STD`—L’écart type sera dérivé de l’image de pixels facultative, segment par segment. `COUNT`—Le nombre de pixels qui composent le segment, segment par segment. `COMPACTNESS`—Degré auquel un segment est compact ou circulaire, segment par segment. Les valeurs sont comprises entre 0 et 1, où 1 correspond à un cercle. `RECTANGULARITY`—Degré auquel le segment est rectangulaire, segment par segment. Les valeurs sont comprises entre 0 et 1, où 1 correspond à un rectangle.	String
dimension_value_field (Facultatif)	Contient les valeurs de dimension dans la classe d’entités des échantillons d’apprentissage en entrée. Ce paramètre est requis pour classer une série chronologique de données raster à l’aide de la sortie du raster d’analyse des changements produite par l’outil Analyze Changes Using CCDC (Analyser les changements avec l’algorithme CCDC).	Field

Exemple de code

Exemple 1 d’utilisation de la fonction TrainKNearestNeighborClassifier (fenêtre Python)

Il s’agit d’un exemple Python d’utilisation de la fonction TrainKNearestNeighborClassifier.

# Import system modules
import arcpy
from arcpy.ia import *

# Run
arcpy.ia.TrainKNearestNeighborClassifier("landsat.tif", "training_sample.shp", r"c:\data\trained_knn.ecd", 5, "COLOR;MEAN;STD;COUNT;COMPACTNESS;RECTANGULARITY")

Exemple 2 d’utilisation de la fonction TrainKNearestNeighborClassifier (script autonome)

Ceci est un exemple de script Python pour la fonction TrainKNearestNeighborClassifier.

# Import system modules
import arcpy
from arcpy.ia import *

# Define input parameters
in_raster = r"C:/Data/ landsat.tif"
in_training_features = r"C:/Data/training_sample.shp"
out_classifier_definition = r"C:/Data/trained_knn.ecd"
number_of_neighbors = 5
attributes = "COLOR;MEAN;STD;COUNT;COMPACTNESS;RECTANGULARITY"

# Run - Train K-Nearest Neighbor Classifier
arcpy.ia.TrainKNearestNeighborClassifier(in_raster, in_training_features, out_classifier_definition,
           number_of_neighbors, attributes)

Environnements

Espace de travail courant, Etendue, Transformations géographiques, Système de coordonnées en sortie, Espace de travail temporaire, Raster de capture

Informations de licence