Классификатор произвольных деревьев с обучением (Инструменты Spatial Analyst)

Краткая информация

Создает файл определения классификатора Esri (.ecd) с использованием метода классификации произвольных деревьев.

Классификатор произвольных деревьев – мощный механизм классификации изображений, устойчивый к чрезмерной подгонке и способный работать с сегментированными изображениями и другими дополнительными наборами растровых данных. В качестве стандартных входных изображений инструмент принимает многоканальные изображения любой битовой глубины и выполняет классификацию методом произвольных деревьев по пикселам или сегментам на основе входного файла обучающих объектов.

Использование

The Random Trees classification method is a collection of individual decision trees in which each tree is generated from different samples and subsets of the training data. The idea behind calling these decision trees is that for every pixel that is classified, a number of decisions are made in rank order of importance. When you graph these for a pixel, it looks like a branch. When you classify the entire dataset, the branches form a tree. This method is called random trees because you are actually classifying the dataset a number of times based on a random subselection of training pixels, resulting in many decision trees. To make a final decision, each tree has a vote. This process works to mitigate overfitting. The Random Trees classification method is a supervised machine-learning classifier based on constructing a multitude of decision trees, choosing random subsets of variables for each tree, and using the most frequent tree output as the overall classification. The Random Trees classification method corrects for the decision trees' propensity for overfitting to their training sample data. With this method, a number of trees are grown—В этом методе, по аналогии с лесом, число построенных деревьев и различия между ними получаются путем проецирования обучающих данных в случайное подпространство перед созданием каждого дерева. Решение для каждого узла оптимизируется случайной процедурой.
Для сегментированных растров, ключевое свойство которых задано как Сегментированный, инструмент вычисляет индексное изображение и связанные атрибуты сегмента из сегментированного растра RGB. Атрибуты вычисляются для создания файла определения классификатора, который должен быть использован в отдельном инструменте классификации. Атрибуты для каждого сегмента могут быть вычислены для любого, поддерживаемого Esri изображения.
Любой поддерживаемый Esri растр принимается в качестве входных данных, включая растровые продукты, сегментированные растры, мозаики, сервисы изображений или наборы растровых данных в общих форматах. Сегментированные растры должны быть 8-битными с 3 каналами.
Чтобы создать файл обучающей выборки, используйте панель Менеджер обучающей выборки из ниспадающего меню Инструменты классификации.
Параметр Атрибуты сегмента активен только в том случае, когда одним из входных растровых слоёв является сегментированное изображение.
Чтобы классифицировать растровые данные временных рядов с помощью алгоритма Непрерывное определение и классификация изменений (CCDC), сначала запустите инструмент Анализировать изменения с помощью инструмента CCDC, который доступен с лицензией дополнительного модуля Image Analyst. Затем используйте выходной растр анализа изменений в качестве входного для данного обучающего инструмента.

Обучающие выборки данных должны быть собраны за несколько раз с помощью Менеджера обучающих выборок. Значение измерения для каждой выборки указано в поле в векторном классе обучающих выборок, которое задано параметром Поле значения измерения.

Подпись	Объяснение	Тип данных
Входной растр	Набор растровых данных для классификации. Можно использовать любой поддерживаемый Esri набор растровых данных. Допустимым является 3-х канальный 8-битный сегментированный набор растровых данных, в котором все пикселы в том же сегменте имеют тот же цвет. Входными данными может также являться одноканальный 8-битный сегментированный растр в шкале серых оттенков.	Raster Layer; Mosaic Layer; Image Service; String
Входной файл обучающей выборки	Выберите файл обучающей выборки или слой, который определяет районы обучающей выборки. Это могут быть либо шейп-файлы, либо классы объектов, которые содержат обучающие выборки. В файле обучающей выборки должны быть поля со следующими именами: `classname`—Текстовое поле с указанием имени категории класса `classvalue`—Поле типа long integer, содержащее целочисленное значение для каждой категории класса	Feature Layer
Выходной файл определения классификатора	Файл JSON, который содержит информацию об атрибутах, статистику и другую информацию, необходимую для классификатора. Создан файл `.ecd`.	File
Дополнительный входной растр (Дополнительный)	Вспомогательные наборы растровых данных, такие как мультиспектральный снимок или ЦМР, будут добавлены для создания атрибутов и другой необходимой для классификатора информации. Это дополнительный параметр.	Raster Layer; Mosaic Layer; Image Service; String
Максимальное число деревьев (Дополнительный)	Максимальное количество деревьев в лесу. Увеличение числа деревьев приведет к большей точности оценки, но в какой-то момент эти улучшения сойдут на нет. Число деревьев пропорционально увеличивает время обработки.	Long
Максимальная глубина дерева (Дополнительный)	Максимальная глубина каждого дерева в лесу. Глубина - другой способ задания количества правил, допустимых для каждого создаваемого дерева, с целью принятия решения. Деревья не будут расти глубже этого параметра.	Long
Максимальное число образцов в классе (Дополнительный)	Максимальное число образцов в классе, которые будут использоваться для определения каждого класса. Когда входными данными являются несегментированные растры, то рекомендуется использовать значение по умолчанию, равное 1000. Значение, которое меньше или равно 0, означает, что система будет использовать все образцы из обучающих местоположений для обучения классификатора.	Long
Атрибуты сегмента (Дополнительный)	Укажите атрибуты, которые будут включены в связанную с выходным растром таблицу атрибутов. Этот параметр активен только в тех случаях, когда для входного растра выбран ключевой параметр Сегментированный. Если для входных данных инструмента используется только сегментированное изображение, то атрибутами по умолчанию будут Конвергированный цвет, Число пикселов, Компактность и Прямоугольность. Если в качестве входных данных вместе с сегментированным изображением также используется значение Дополнительный входной растр, то также будут доступны атрибуты Среднее число и Среднеквадратическое отклонение Конвергированный цвет–Значения цвета RGB будут получены из входного растра на основе каждого сегмента. Это также называется цвет средней хроматичности. Среднее число–Средний цифровой номер (DN) будет получен из дополнительного пиксельного изображения, на основе каждого сегмента. Среднеквадратическое отклонение–Стандартное отклонение будет получено из дополнительного пиксельного изображения, на основе каждого сегмента. Число пикселов–Число пикселов, составляющих сегмент, на основе каждого сегмента. Компактность–Соединяет сегменты, которые были разрезаны границами листов в процессе сегментации. Значения находятся в диапазоне от 0 до 1, где 1 соответствует кругу. Прямоугольность–Степень, определяющая, насколько сегмент является прямоугольным, на основе каждого сегмента. Значения находятся в диапазоне от 0 до 1, где 1 соответствует прямоугольнику.	String
Поле значения измерения (Дополнительный)	Содержит значения измерений во входном классе объектов обучающей выборки. Этот параметр требуется для классификации растровых данных временных рядов с помощью выходного растра анализа изменений из инструмента Анализ изменений с помощью CCDC в наборе инструментов Image Analyst.	Field

TrainRandomTreesClassifier(in_raster, in_training_features, out_classifier_definition, {in_additional_raster}, {max_num_trees}, {max_tree_depth}, {max_samples_per_class}, {used_attributes}, {dimension_value_field})

Имя	Объяснение	Тип данных
in_raster	Набор растровых данных для классификации. Можно использовать любой поддерживаемый Esri набор растровых данных. Допустимым является 3-х канальный 8-битный сегментированный набор растровых данных, в котором все пикселы в том же сегменте имеют тот же цвет. Входными данными может также являться одноканальный 8-битный сегментированный растр в шкале серых оттенков.	Raster Layer; Mosaic Layer; Image Service; String
in_training_features	Выберите файл обучающей выборки или слой, который определяет районы обучающей выборки. Это могут быть либо шейп-файлы, либо классы объектов, которые содержат обучающие выборки. В файле обучающей выборки должны быть поля со следующими именами: `classname`—Текстовое поле с указанием имени категории класса `classvalue`—Поле типа long integer, содержащее целочисленное значение для каждой категории класса	Feature Layer
out_classifier_definition	Файл JSON, который содержит информацию об атрибутах, статистику и другую информацию, необходимую для классификатора. Создан файл `.ecd`.	File
in_additional_raster (Дополнительный)	Вспомогательные наборы растровых данных, такие как мультиспектральный снимок или ЦМР, будут добавлены для создания атрибутов и другой необходимой для классификатора информации. Это дополнительный параметр.	Raster Layer; Mosaic Layer; Image Service; String
max_num_trees (Дополнительный)	Максимальное количество деревьев в лесу. Увеличение числа деревьев приведет к большей точности оценки, но в какой-то момент эти улучшения сойдут на нет. Число деревьев пропорционально увеличивает время обработки.	Long
max_tree_depth (Дополнительный)	Максимальная глубина каждого дерева в лесу. Глубина - другой способ задания количества правил, допустимых для каждого создаваемого дерева, с целью принятия решения. Деревья не будут расти глубже этого параметра.	Long
max_samples_per_class (Дополнительный)	Максимальное число образцов в классе, которые будут использоваться для определения каждого класса. Когда входными данными являются несегментированные растры, то рекомендуется использовать значение по умолчанию, равное 1000. Значение, которое меньше или равно 0, означает, что система будет использовать все образцы из обучающих местоположений для обучения классификатора.	Long
used_attributes [used_attributes;used_attributes,...] (Дополнительный)	Укажите атрибуты, которые будут включены в связанную с выходным растром таблицу атрибутов. Это параметр активен только в тех случаях, когда для входного растра ключевое свойство Сегментированный равно true. Если для входных данных инструмента используется только сегментированное изображение, то атрибутами по умолчанию будут `COLOR`, `COUNT`, `COMPACTNESS` и `RECTANGULARITY`. Если в качестве входных данных вместе с сегментированным изображением также используется значение `in_additional_raster`, то тогда также будут доступны атрибуты `MEAN` и `STD`. `COLOR`–Значения цвета RGB будут получены из входного растра на основе каждого сегмента. Это также называется цвет средней хроматичности. `MEAN`–Средний цифровой номер (DN) будет получен из дополнительного пиксельного изображения, на основе каждого сегмента. `STD`–Стандартное отклонение будет получено из дополнительного пиксельного изображения, на основе каждого сегмента. `COUNT`–Число пикселов, составляющих сегмент, на основе каждого сегмента. `COMPACTNESS`–Соединяет сегменты, которые были разрезаны границами листов в процессе сегментации. Значения находятся в диапазоне от 0 до 1, где 1 соответствует кругу. `RECTANGULARITY`–Степень, определяющая, насколько сегмент является прямоугольным, на основе каждого сегмента. Значения находятся в диапазоне от 0 до 1, где 1 соответствует прямоугольнику.	String
dimension_value_field (Дополнительный)	Содержит значения измерений во входном классе объектов обучающей выборки. Этот параметр требуется для классификации растровых данных временных рядов с помощью выходного растра анализа изменений из инструмента Анализ изменений с помощью CCDC в наборе инструментов Image Analyst.	Field

Пример кода

TrainRandomTreesClassifier пример 1 (окно Python)

Пример скрипта Python для инструмента TrainRandomTreesClassifier.

import arcpy
from arcpy.sa import *

TrainRandomTreesClassifier("c:/test/moncton_seg.tif",
                           "c:/test/train.gdb/train_features",
                           "c:/output/moncton_sig_SVM.ecd",
                           "c:/test/moncton.tif", "50", "30", "1000",
                           "COLOR;MEAN;STD;COUNT;COMPACTNESS;RECTANGULARITY")

TrainRandomTreesClassifier пример 2 (автономный скрипт)

Это пример скрипта Python для инструмента TrainRandomTreesClassifier.

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

# Set local variables
inSegRaster = "c:/test/cities_seg.tif"
train_features = "c:/test/train.gdb/train_features"
out_definition = "c:/output/cities_sig.ecd"
in_additional_raster = "c:/cities.tif"
maxNumTrees = "50"
maxTreeDepth = "30"
maxSampleClass = "1000"
attributes = "COLOR;MEAN;STD;COUNT;COMPACTNESS;RECTANGULARITY"

# Run
TrainRandomTreesClassifier(inSegRaster, train_features,
                           out_definition, in_additional_raster, maxNumTrees,
                           maxTreeDepth, maxSampleClass, attributes)

TrainRandomTreesClassifier пример 3 (автономный скрипт)

Этот пример показывает, как обучить классификатор с помощью растра анализа изменений, полученного с применением инструмента Image Analyst Анализировать изменения с помощью CCDC.

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

# Set local variables
in_changeAnalysisRaster = "c:/test/LandsatCCDC.crf"
train_features = "c:/test/train.gdb/train_features"
out_definition = "c:/output/change_detection.ecd"
additional_raster = ''
maxNumTrees = 50
maxTreeDepth = 30
maxSampleClass = 1000
attributes = None
dimension_field = "DateTime"

# Run
arcpy.sa.TrainRandomTreesClassifier(
    in_changeAnalysisRaster, train_features,
    out_definition, additional_raster, maxNumTrees,
    maxTreeDepth, maxSampleClass, attributes, dimension_field)

Параметры среды

Текущая рабочая область, Экстент, Географические преобразования, Выходная система координат, Временная рабочая область, Растр привязки

Информация о лицензировании