Классификатор опорных векторов с обучением (Инструменты Spatial Analyst)

Краткая информация

Создает файл определения классификатора Esri (.ecd) с использованием определения классификации Метода опорных векторов (SVM).

Использование

Классификатор SVM - мощный способ классификации с обучением. Он отлично подходит для сегментированных входных растров, но может работать и со стандартными изображениями. Это метод классификации, который широко используется исследователями.
Для стандартных входных изображений, инструмент принимает многоканальные изображения любой битовой глубины и выполняет попиксельную классификацию SVM на основе входного файла обучающего класса пространственных объектов.
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.
У классификатора SVM есть ряд преимуществ по сравнению с классификатором методом максимального правдоподобия:
- Для классификатора SVM необходимо гораздо меньше выборок, и для него не требуется нормальное распределение выборок.
- Данный метод менее восприимчив к шуму, коррелированным каналам и несбалансированному количеству и размеру обучающих местоположений в пределах каждого класса.
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 растра 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. Предпочтительными входными данными 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. Если сегментированный растр недоступен, то вы можете использовать любой поддерживаемый Esri набор растровых данных.	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 (длинное целое), содержащее целочисленное значение для каждой категории класса	Feature Layer
Выходной файл определения классификатора	Выходной файл формата JSON будет содержать информацию об атрибутах, статистику, гиперплоскостные векторы и другую информацию, необходимую для классификатора. Будет 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 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 500. Значение, которое меньше или равно 0, означает, что система будет использовать все образцы из обучающих местоположений для обучения классификатора.	Long
Используемые атрибуты сегментов (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

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

Имя	Объяснение	Тип данных
in_raster	Набор растровых данных для классификации. Предпочтительными входными данными 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. Если сегментированный растр недоступен, то вы можете использовать любой поддерживаемый Esri набор растровых данных.	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 (длинное целое), содержащее целочисленное значение для каждой категории класса	Feature Layer
out_classifier_definition	Выходной файл формата JSON будет содержать информацию об атрибутах, статистику, гиперплоскостные векторы и другую информацию, необходимую для классификатора. Будет 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_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 500. 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

TrainSupportVectorMachineClassifier пример 1 (окно Python)

Данный пример окна Python использует классификатор SVM для классификации сегментированного растра.

import arcpy
from arcpy.sa import *

arcpy.sa.TrainSupportVectorMachineClassifier(
    "c:/test/moncton_seg.tif", "c:/test/train.gdb/train_features",
    "c:/output/moncton_sig_SVM.ecd", "c:/test/moncton.tif", "10",
    "COLOR;MEAN;STD;COUNT;COMPACTNESS;RECTANGULARITY")

TrainSupportVectorMachineClassifier пример 2 (автономный скрипт)

Данный скрипт Python использует классификатор SVM для классификации сегментированного растра.

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

# Set local variables
inSegRaster = "c:/test/moncton_seg.tif"
train_features = "c:/test/train.gdb/train_features"
out_definition = "c:/output/moncton_sig.ecd"
in_additional_raster = "c:/moncton.tif"
maxNumSamples = "10"
attributes = "COLOR;MEAN;STD;COUNT;COMPACTNESS;RECTANGULARITY"

# Run
arcpy.sa.TrainSupportVectorMachineClassifier(
    inSegRaster, train_features, out_definition,
    in_additional_raster, maxNumSamples, attributes)

TrainSupportVectorMachineClassifier пример 3 (автономный скрипт)

Этот скрипт Python использует классификатор SVM для классификации многомерных растров временных серий с использованием результата работы инструмента 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 = ''
attributes = None
dimension_field = "DateTime"

# Run
arcpy.sa.TrainSupportVectorMachineClassifier(
    in_changeAnalysisRaster, train_features, out_definition,
    additional_raster, attributes, dimension_field)

Параметры среды

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

Информация о лицензировании