| ラベル | 説明 | データ タイプ |
入力ラスター | 分類対象の入力ラスター。 | Mosaic Layer; Raster Layer; Image Service; String |
入力トレーニング サンプル ファイル | [トレーニング サンプル マネージャー] ウィンドウで作成されたトレーニング サンプル フィーチャクラス。 | Feature Layer |
入力分類器定義ファイル | いずれかの分類器トレーニング ツールから取得された *.ecd 出力分類器ファイル。*.ecd ファイルは、分類器に必要な属性情報、統計情報、その他の情報を含んでいる JSON ファイルです。 | File |
出力トレーニング サンプル フィーチャクラス (スコアを含む) | フィーチャクラスとして保存された個々の出力トレーニング サンプル。関連付けられた属性テーブルには、精度スコアが列挙されている追加フィールドが格納されます。 | Feature Class |
誤分類された出力ラスター | トレーニング サンプルの範囲外にある NoData を保持する誤分類された出力ラスター。トレーニング サンプルでは、正しく分類されたピクセルが NoData で表され、誤分類されたピクセルがそれぞれのクラス値によって表されます。結果は、誤分類されたクラス値のインデックス マップになります。 | Raster Dataset |
追加入力ラスター (オプション) | マルチスペクトル画像や DEM などの補助ラスター データセットを取り入れて、分類器の属性やその他の必要な情報を生成できます。 このラスターは、平均値や標準偏差などの属性を計算する際に必要です。 このパラメーターはオプションです。 | Mosaic Layer; Raster Layer; Image Service; String |
Spatial Analyst のライセンスで利用可能。
Image Analyst ライセンスで利用できます。
サマリー
個々のトレーニング サンプルの精度を評価します。 .ecd ファイル内の以前に生成された分類トレーニング結果とトレーニング サンプルを使用して、相互整合チェック精度が計算されます。 出力には、誤分類されたクラス値が格納されるラスター データセットと、各トレーニング サンプルの精度スコアを含むトレーニング サンプル データセットが含まれます。
使用法
このツールは、入力ラスター、追加入力ラスター、および *.ecd 分類器定義ファイルを使用して、リアルタイム分類レイヤーを作成します。その後、この分類レイヤーは参照として使用され、すべてのトレーニング サンプル ポリゴンまたはポイントと比較されます。最適なトレーニング サンプルには、そのサンプルが表すクラスに属するピクセルのみが含まれている必要があるため、トレーニング サンプルごとに、正しく分類されたすべてのピクセルを正しく分類されていないすべてのピクセルと比較することで精度が計算されます。精度スコア (ポリゴン/ポイントごと) は各トレーニング サンプルに格納される number of correctly classified pixels/number of total pixels として計算されます。
このスコアは、ポリゴン トレーニング サンプルの場合、0 ～ 1 の範囲内の小数値になります。この値が 1 に近いほど、精度が高いことを示します。ポイント トレーニング サンプルの場合、スコアは 0 (不正確) または 1 (正確) のいずれかです。
結果を次の方法で使用して、トレーニング サンプル定義クラスを改善できます。
- 出力トレーニング サンプルの属性テーブルを使用し、精度でトレーニング フィーチャを並べ替えて各フィーチャにズームします。
- 誤分類されたラスター クラス マップを使用し、分類の混乱が発生している場所とその混乱の原因を表示します。
- この情報を使用して、トレーニング フィーチャの維持、削除、編集について判断することができます。
パラメーター
InspectTrainingSamples(in_raster, in_training_features, in_classifier_definition, out_training_feature_class, out_misclassified_raster, {in_additional_raster})| 名前 | 説明 | データ タイプ |
in_raster | 分類対象の入力ラスター。 | Mosaic Layer; Raster Layer; Image Service; String |
in_training_features | [トレーニング サンプル マネージャー] ウィンドウで作成されたトレーニング サンプル フィーチャクラス。 | Feature Layer |
in_classifier_definition | いずれかの分類器トレーニング ツールから取得された *.ecd 出力分類器ファイル。*.ecd ファイルは、分類器に必要な属性情報、統計情報、その他の情報を含んでいる JSON ファイルです。 | File |
out_training_feature_class | フィーチャクラスとして保存された個々の出力トレーニング サンプル。関連付けられた属性テーブルには、精度スコアが列挙されている追加フィールドが格納されます。 | Feature Class |
out_misclassified_raster | トレーニング サンプルの範囲外にある NoData を保持する誤分類された出力ラスター。トレーニング サンプルでは、正しく分類されたピクセルが NoData で表され、誤分類されたピクセルがそれぞれのクラス値によって表されます。結果は、誤分類されたクラス値のインデックス マップになります。 | Raster Dataset |
in_additional_raster (オプション) | マルチスペクトル画像や DEM などの補助ラスター データセットを取り入れて、分類器の属性やその他の必要な情報を生成できます。 このラスターは、平均値や標準偏差などの属性を計算する際に必要です。 このパラメーターはオプションです。 | Mosaic Layer; Raster Layer; Image Service; String |
コードのサンプル
この例では、分類のためにトレーニング サンプルの適合性を検査します。
### InspectTrainingSamples example 1 (Python window)
import arcpy
from arcpy.sa import *
in_img = "C:/Data/wv2.tif"
trn_samples1 = "C:/out/ts.shp"
ecd = "C:/Data/svm.ecd"
seg_in_img = "C:/Data/seg.tif"
trn_samples2 = "C:/out/ts2.shp"
out_misclassified_raster = InspectTrainingSamples(in_img, trn_samples, ecd,
trn_samples2, seg_in_img);
out_misclassified_raster.save("C:/temp/misclassified.tif")この例では、分類のためにトレーニング サンプルの適合性を検査します。
### InspectTrainingSamples example 2 (stand-alone script)
import arcpy
from arcpy.sa import *
out_misclassified_raster = InspectTrainingSamples("C:/Data/wv2.tif",
"C:/out/ts.shp",
"C:/Data/svm.ecd",
"C:/out/ts2.shp",
"C:/Data/seg.tif");
out_misclassified_raster.save("C:/temp/misclassified.tif")環境
ライセンス情報
- Basic: 次のものが必要 Spatial Analyst または Image Analyst
- Standard: 次のものが必要 Spatial Analyst または Image Analyst
- Advanced: 次のものが必要 Spatial Analyst または Image Analyst
関連トピック
- セグメンテーションと分類ツールセットの概要
- ジオプロセシング ツールの検索
- 最尤法による分類器定義ファイルの作成 (Train Maximum Likelihood Classifier)
- ランダム ツリーによる分類器定義ファイルの作成 (Train Random Trees Classifier)
- SVM による分類器定義ファイルの作成 (Train Support Vector Machine Classifier)
- ラスターの分類 (Classify Raster)
- シード ポイントからトレーニング サンプルを作成 (Generate Training Samples From Seed Points)