Clasificar píxeles con aprendizaje profundo (Análisis de ráster)

Resumen

Ejecuta un modelo de aprendizaje profundo entrenado en una imagen de entrada para generar un ráster clasificado publicado como capa de imágenes alojadas en el portal.

Ilustración

Uso

• El entorno de Python de servidor de análisis de ráster (RA, por sus siglas en inglés) debe estar configurado con la API de Python del marco de aprendizaje profundo como TensorFlow, CNTK o similares.

• Estando esta herramienta en ejecución, su servidor de RA llama a una API de Python de aprendizaje profundo externa (como TensorFlow o CNTK) y usa la función ráster de Python especificada para procesar todas las teselas ráster.

• El modelo de entrada de esta herramienta solo tomará un elemento del paquete de aprendizaje profundo (.dlpk) del portal.

• Después de seleccionar o especificar el modelo de entrada, la herramienta obtendrá la información de los argumentos de modelo del servidor de RA. Es posible que la herramienta no pueda obtener dicha información si su modelo de entrada no es válido o su servidor de RA no está configurado correctamente con el marco de aprendizaje profundo.

Sintaxis

arcpy.ra.ClassifyPixelsUsingDeepLearning(inputRaster, inputModel, outputName, {modelArguments}, {processingMode})

Parámetro	Explicación	Tipo de datos
inputRaster	La imagen de entrada a clasificar. Puede ser una URL de servicio de imágenes, una capa ráster, un servicio de imágenes, una capa del servidor de mapas o una capa de teselas de Internet.	Raster Layer; Image Service; MapServer; Map Server Layer; Internet Tiled Layer; String
inputModel	La entrada es una URL de un elemento del paquete de aprendizaje profundo (.dlpk). Contiene la ruta al archivo de modelo binario de aprendizaje profundo, la ruta a la función ráster de Python que se va a usar y otros parámetros, como el tamaño de tesela preferido o el relleno.	File
outputName	El nombre del servicio de imágenes de los píxeles clasificados.	String
modelArguments [modelArguments,...] (Opcional)	Los argumentos de función se definen en la clase de función ráster de Python a la que el modelo de entrada hace referencia. Aquí es donde enumera los argumentos y parámetros de aprendizaje profundo adicionales para experimentos y refinamiento, como un umbral de confianza para ajustar la sensibilidad. La herramienta rellena los nombres de los argumentos a partir de la lectura del módulo de Python en el servidor de RA.	Value Table
processingMode (Opcional)	Especifica cómo se procesarán todos los elementos de ráster en un dataset de mosaico o un servicio de imágenes. Este parámetro se aplica si el ráster de entrada es un dataset de mosaico o un servicio de imágenes. PROCESS_AS_MOSAICKED_IMAGE —Se creará un mosaico con todos los elementos de ráster del dataset de mosaico o del servicio de imágenes y se procesarán. Esta es la opción predeterminada. PROCESS_ITEMS_SEPARATELY —Todos los elementos de ráster del dataset de mosaico o del servicio de imágenes se procesarán como imágenes separadas.	String

Salida derivada

Nombre	Explicación	Tipo de datos
outRaster	El dataset ráster de salida.	Capa ráster

Muestra de código

Ejemplo 1 de ClassifyPixelsUsingDeepLearning (ventana de Python)

Este ejemplo clasifica un ráster en función de una clasificación de píxeles personalizada mediante el aprendizaje profundo en una implementación de análisis de ráster, además, publica el ráster como capa de imágenes alojada en el portal.

import arcpy

arcpy.ClassifyPixelsUsingDeepLearning_ra(
        "https://myserver/rest/services/landclassification/ImageServer",
        "https://myportal/sharing/rest/content/items/itemId",
"classifiedLand", "padding 0")

Ejemplo 2 de ClassifyPixelsUsingDeepLearning (script independiente)

Este ejemplo clasifica un ráster en función de una clasificación de píxeles personalizada mediante el aprendizaje profundo en una implementación de análisis de ráster, además, publica el ráster como capa de imágenes alojada en el portal.

#---------------------------------------------------------------------------
# Name: ClassifyPixelsUsingDeepLearning_example02.py
# Requirements: ArcGIS Image Server
# Import system modules
import arcpy
# Set local variables
inImage = "https://myserver/rest/services/ landclassification/ImageServer"
inModel = "https://myportal/sharing/rest/content/items/itemId"
outName = "classifiedLand"
modelArgs = "padding 0"
# Execute Classified Pixels Using raster analysis tool
arcpy.ClassifyPixelsUsingDeepLearning_ra(inImage, inModel, outName, modelArgs)

Entornos

Tamaño de celda, Extensión, Sistema de coordenadas de salida, Factor de procesamiento en paralelo, Tipo de procesador, Ráster de alineación

Información de licenciamiento

• Basic: Requiere ArcGIS Image Server
• Standard: Requiere ArcGIS Image Server
• Advanced: Requiere ArcGIS Image Server