Disponible avec une licence Spatial Analyst.
Disponible avec une licence Image Analyst.
Résumé
Génère un fichier de définition de classificateur Esri (.ecd) grâce à la définition de classification du classificateur de vraisemblance maximale (MLC).
Utilisation
Pour exécuter un processus de classification de vraisemblance maximale, utilisez le même raster en entrée et le fichier .ecd en sortie de cet outil dans l'outil Classer le raster.
Le raster en entrée peut être n'importe quel raster pris en charge par Esri, avec n'importe quelle profondeur des couleurs.
Pour créer un jeu de données raster segmenté, utilisez l'outil Décalage moyen de segment.
Pour créer un fichier d’échantillon d’entraînement, accédez à la fenêtre Training Samples Manager (Gestionnaire d’échantillons d’apprentissage) à partir du menu déroulant Classification Tools (Outils de classification).
Le fichier de définition de classificateur en sortie contient des statistiques d'attributs adaptées à l'outil Classification de vraisemblance maximale.
Le paramètre Attributs de segment est activé uniquement si l'une des entrées de la couche raster est une image segmentée.
Un processus en deux étapes est nécessaire pour classer les séries chronologiques de données raster à l’aide de l’algorithme CCDC (Continuous Change Detection and Classification). Dans un premier temps, exécutez l’outil Analyze Changes Using CCDC (Analyser les modifications avec l’algorithme CCDC), qui est disponible avec une licence d’extension Image Analyst. Utilisez ensuite ces résultats comme entrée pour cet outil d’entraînement.
Les données fournies à titre d’échantillons d’apprentissage doivent être collectées à plusieurs reprises à l’aide du Gestionnaire d’échantillons d’apprentissage. 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).
Syntaxe
TrainMaximumLikelihoodClassifier(in_raster, in_training_features, out_classifier_definition, {in_additional_raster}, {used_attributes}, {dimension_value_field})| Paramètre | Explication | Type de données |
in_raster | Jeu de données raster à classer. | Raster Layer; Mosaic 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 :
| Feature Layer |
out_classifier_definition | Fichier JSON en sortie qui contient des informations sur les attributs, des statistiques, des vecteurs hyperplans et d'autres informations pour le classificateur. Un fichier .ecd est créé. | File |
in_additional_raster (Facultatif) | Incorpore des jeux de données raster auxiliaires, tels qu'une image segmentée ou un MNT. Ce paramètre est facultatif. | Raster Layer; Mosaic Layer; Image Service; String |
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 est vraie (définie sur True) dans le raster en entrée. Si la seule sortie de l’outil est une image segmentée, les attributs par défaut sont COLOR, COUNT, COMPACTNESS et RECTANGULARITY. Si un in_additional_raster est inclus comme entrée avec une image segmentée, les attributs MEAN et STD sont également disponibles. | String |
dimension_value_field (Facultatif) | Contient les valeurs de dimension dans la classe d’entités des échantillons d’apprentissage en entrée. Ce paramètre est nécessaire pour classer une série chronologique de données raster à l’aide de la sortie du raster d’analyse des changements produite par l’outil Analyser les modifications avec l’algorithme CCDC de la boîte d’outils Image Analyst. | Field |
Exemple de code
Le script de fenêtre Python ci-dessous illustre l'utilisation de l'outil TrainMaximumLikelihoodClassifier.
import arcpy
from arcpy.sa import *
TrainMaximumLikelihoodClassifier(
"c:/test/moncton_seg.tif", "c:/test/train.gdb/train_features",
"c:/output/moncton_sig.ecd", "c:/test/moncton.tif",
"COLOR;MEAN;STD;COUNT;COMPACTNESS;RECTANGULARITY")Cet exemple illustre comment préparer le classificateur de vraisemblance maximale.
# 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"
attributes = "COLOR;MEAN;STD;COUNT;COMPACTNESS;RECTANGULARITY"
# Execute
TrainMaximumLikelihoodClassifier(inSegRaster, train_features, out_definition,
in_additional_raster, attributes)Cet exemple illustre comment préparer le classificateur de vraisemblance maximale à l’aide d’un raster d’analyse des changements de l’outil Analyze Changes Using CCDC (Analyser les modifications avec l’algorithme CCDC).
# Import system modules
import arcpy
from arcpy.sa import *
# Check out the ArcGIS Spatial Analyst extension license
arcpy.CheckOutExtension("Spatial")
# 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"
# Execute
arcpy.sa.TrainMaximumLikelihoodClassifier(
in_changeAnalysisRaster, train_features, out_definition,
additional_raster, attributes, dimension_field)Environnements
Informations de licence
- Basic: Requiert Spatial Analyst ou Image Analyst
- Standard: Requiert Spatial Analyst ou Image Analyst
- Advanced: Requiert Spatial Analyst ou Image Analyst
Rubriques connexes
Vous avez un commentaire à formuler concernant cette rubrique ?