Preparar clasificador de clúster ISO (Spatial Analyst)—ArcGIS Pro

Disponible con una licencia de Spatial Analyst.

Disponible con licencia de Image Analyst.

Resumen

Genera un archivo de definición de clasificador de Esri (.ecd) utilizando la definición de clasificación de Clúster ISO.

Esta herramienta realiza una clasificación no supervisada.

Uso

Se acepta como entrada cualquier ráster compatible con Esri, incluidos productos de ráster, rásteres segmentados, mosaicos, servicios de imágenes o datasets ráster genéricos. Los rásteres segmentados deben tener 8 bits y 3 bandas.
El parámetro Atributos de segmento solo está activo si una de las entradas de capa ráster es una imagen segmentada.

Parámetros

Etiqueta	Explicación	Tipo de datos
Ráster de entrada	El dataset ráster a clasificar.	Raster Layer; Mosaic Layer; Image Service; String
Número máximo de clases/clústeres	Número máximo de clases deseadas para agrupar píxeles o segmentos. Se debe definir de modo que sea mayor que el número de clases de la leyenda. Puede que obtenga menos clases que las que especificó para este parámetro. Si necesita más, aumente este valor y agregue clases una vez que finalice el proceso de formación.	Long
Archivo de definición de clasificadores de salida	El archivo en formato JSON de salida que contendrá información de atributos, estadísticas, vectores de hiperplano y otra información requerida por el clasificador. Se creará un archivo .ecd.	File
Ráster de entrada adicional (Opcional)	Se incorporan datasets ráster secundarios, como una imagen multiespectral o un DEM, para generar atributos y otra información requerida por la clasificación. Este parámetro es opcional.	Raster Layer; Mosaic Layer; Image Service; String
Número máximo de iteraciones (Opcional)	El número máximo de iteraciones que el proceso de clustering ejecutará. El rango recomendado está entre 10 y 20 iteraciones. Al aumentar este valor, el tiempo de procesamiento aumentará linealmente.	Long
Número mínimo de muestras por cluster (Opcional)	Número mínimo de píxeles o segmentos en un cluster o clase válidos. El valor predeterminado de 20 resulta eficaz a la hora de crear clases significativas desde el punto de vista estadístico. Este número se puede aumentar para obtener más clústeres más grandes y menos falsos polígonos, pero ello puede limitar el número total de clases que se crean.	Long
Factor de omisión (Opcional)	Número de píxeles a ignorar para una entrada de imagen de píxeles. Si una imagen segmentada es una entrada, especifique el número de segmentos a ignorar.	Long
Atributos de segmento utilizados (Opcional)	Especifica los atributos que se incluirán en la tabla de atributos asociada con el ráster de salida. Este parámetro solo está activo si la propiedad clave Segmentado se establece en verdadero en el ráster de entrada. Si la única entrada de la herramienta es una imagen segmentada, los atributos predeterminados son Color convergido, Recuento de píxeles, Compactación y Rectangularidad. Si se incluye un valor Ráster de entrada adicional como entrada junto a la imagen segmentada, también están disponibles los atributos Número de dígito medio y Desviación estándar. Color convergido—Los valores de color RGB se derivarán del ráster de entrada segmento por segmento. Esto también se conoce como color de cromaticidad promedio. Número de dígito medio—El número digital (DN) medio se derivará de la imagen de píxeles opcional, por segmento. Desviación estándar—La desviación estándar se derivará de la imagen de píxeles opcional, por segmento. Recuento de píxeles—El número de píxeles que componen el segmento, por segmento. Compactación—El grado de compactibilidad o circularidad de un segmento, por segmento. Los valores van de 0 a 1, donde 1 corresponde a un círculo. Rectangularidad—El grado de rectangularidad del segmento, por segmento. Los valores van de 0 a 1, donde 1 corresponde a un rectángulo.	String
Número máximo de fusiones de clúster por iteración (Opcional)	El número máximo de fusiones de clúster por iteración. Si se aumenta la cantidad de fusiones, se reducirá la cantidad de clases que se crean. Un valor más bajo generará más clases.	Long
Distancia máxima de fusión (Opcional)	La distancia máxima entre centros de clúster en el espacio de entidades. Si se aumenta la distancia se podrán fusionar más clusters y se obtendrán menos clases. Un valor más bajo generará más clases. Los valores de 0 a 5 devuelven típicamente los mejores resultados.	Double

TrainIsoClusterClassifier(in_raster, max_classes, out_classifier_definition, {in_additional_raster}, {max_iterations}, {min_samples_per_cluster}, {skip_factor}, {used_attributes}, {max_merge_per_iter}, {max_merge_distance})

Nombre	Explicación	Tipo de datos
in_raster	El dataset ráster a clasificar.	Raster Layer; Mosaic Layer; Image Service; String
max_classes	Número máximo de clases deseadas para agrupar píxeles o segmentos. Se debe definir de modo que sea mayor que el número de clases de la leyenda. Puede que obtenga menos clases que las que especificó para este parámetro. Si necesita más, aumente este valor y agregue clases una vez que finalice el proceso de formación.	Long
out_classifier_definition	El archivo en formato JSON de salida que contendrá información de atributos, estadísticas, vectores de hiperplano y otra información requerida por el clasificador. Se creará un archivo .ecd.	File
in_additional_raster (Opcional)	Se incorporan datasets ráster secundarios, como una imagen multiespectral o un DEM, para generar atributos y otra información requerida por la clasificación. Este parámetro es opcional.	Raster Layer; Mosaic Layer; Image Service; String
max_iterations (Opcional)	El número máximo de iteraciones que el proceso de clustering ejecutará. El rango recomendado está entre 10 y 20 iteraciones. Al aumentar este valor, el tiempo de procesamiento aumentará linealmente.	Long
min_samples_per_cluster (Opcional)	Número mínimo de píxeles o segmentos en un cluster o clase válidos. El valor predeterminado de 20 resulta eficaz a la hora de crear clases significativas desde el punto de vista estadístico. Este número se puede aumentar para obtener más clústeres más grandes y menos falsos polígonos, pero ello puede limitar el número total de clases que se crean.	Long
skip_factor (Opcional)	Número de píxeles a ignorar para una entrada de imagen de píxeles. Si una imagen segmentada es una entrada, especifique el número de segmentos a ignorar.	Long
used_attributes [used_attributes;used_attributes,...] (Opcional)	Especifica los atributos que se incluirán en la tabla de atributos asociada con el ráster de salida. COLOR—Los valores de color RGB se derivarán del ráster de entrada segmento por segmento. Esto también se conoce como color de cromaticidad promedio. MEAN—El número digital (DN) medio se derivará de la imagen de píxeles opcional, por segmento. STD—La desviación estándar se derivará de la imagen de píxeles opcional, por segmento. COUNT—El número de píxeles que componen el segmento, por segmento. COMPACTNESS—El grado de compactibilidad o circularidad de un segmento, por segmento. Los valores van de 0 a 1, donde 1 corresponde a un círculo. RECTANGULARITY—El grado de rectangularidad del segmento, por segmento. Los valores van de 0 a 1, donde 1 corresponde a un rectángulo. Este parámetro solo está habilitado si la propiedad clave Segmentado se establece en verdadera en el ráster de entrada. Si la única entrada en la herramienta es una imagen segmentada, los atributos predeterminados son COLOR, COUNT, COMPACTNESS y RECTANGULARITY. Si se incluye un valor in_additional_raster como entrada junto a la imagen segmentada, también están disponibles los atributos MEAN y STD.	String
max_merge_per_iter (Opcional)	El número máximo de fusiones de clúster por iteración. Si se aumenta la cantidad de fusiones, se reducirá la cantidad de clases que se crean. Un valor más bajo generará más clases.	Long
max_merge_distance (Opcional)	La distancia máxima entre centros de clúster en el espacio de entidades. Si se aumenta la distancia se podrán fusionar más clusters y se obtendrán menos clases. Un valor más bajo generará más clases. Los valores de 0 a 5 devuelven típicamente los mejores resultados.	Double

Muestra de código

Ejemplo 1 de TrainIsoClusterClassifier (ventana de Python)

En el siguiente script de la ventana de Python se utiliza un clasificador de clúster ISO para crear un archivo de definición de clasificación de Esri no supervisado con un máximo de diez clases.

import arcpy
from arcpy.sa import *

TrainIsoClusterClassifier("c:/test/moncton_seg.tif", "10", 
                "c:/output/moncton_sig_iso.ecd","c:/test/moncton.tif", 
                "5", "10", "2", "COLOR;MEAN;STD;COUNT;COMPACTNESS;RECTANGULARITY")

Ejemplo 2 de TrainIsoClusterClassifier (script independiente)

En este ejemplo de script se utiliza un clasificador de clúster ISO para crear un archivo de definición de clasificación de Esri no supervisado con un máximo de diez clases.

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


# Set local variables
inSegRaster = "c:/test/moncton_seg.tif"
maxNumClasses = "10"
out_definition = "c:/output/moncton_sig_iso.ecd"
in_additional_raster = "moncton.tif"
maxIteration = "20"
minNumSamples = "10"
skipFactor = "5"
attributes = "COLOR;MEAN;STD;COUNT;COMPACTNESS;RECTANGULARITY"

# Execute 
TrainIsoClusterClassifier(inSegRaster, maxNumClasses, out_definition,
                          in_additional_raster, maxIteration, 
                          minNumSamples, skipFactor, attributes)

Entornos

Espacio de trabajo actual, Extensión, Transformaciones geográficas, Sistema de coordenadas de salida, Factor de procesamiento en paralelo, Espacio de trabajo temporal, Alinear ráster

Información de licenciamiento

Basic: Requiere Spatial Analyst o Image Analyst
Standard: Requiere Spatial Analyst o Image Analyst
Advanced: Requiere Spatial Analyst o Image Analyst

Temas relacionados

¿Algún comentario sobre este tema?