Классификатор изокластера с обучением (Image Analyst)

Доступно с лицензией Spatial Analyst.

Доступно с лицензией Image Analyst.

Краткая информация

Создает файл определения классификатора Esri (.ecd) с использованием определения классификации Изокластер.

Этот инструмент выполняет неконтролируемую классификацию.

Использование

  • Любой поддерживаемый Esri растр принимается в качестве входных данных, включая растровые продукты, сегментированный растр, мозаики, сервисы изображений или наборы растровых данных в общих форматах. Сегментированные растры должны быть 8-битными с 3 каналами.

  • Параметр Атрибуты сегмента активен только в том случае, когда одним из входных растровых слоёв является сегментированное изображение.

Параметры

ПодписьОписаниеТип данных
Входной растр

Набор растровых данных для классификации.

Raster Layer; Mosaic Layer; Image Service; String
Максимальное число классов / Кластеров

Максимальное количество требуемых классов для группировки пикселов или сегментов. Оно должно быть больше числа классов в легенде.

Возможно, что вы получите меньше классов, чем указано этим параметром. Если необходимо больше классов, увеличьте это значение и агрегируйте классы после завершения процесса обучения.

Long
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 итераций
(Дополнительный)

Максимальное число итераций, выполняемых процессом кластеризации.

Рекомендованный диапазон находится между 10 и 20 итерациями. Увеличение этого значения линейно увеличивает время обработки.

Long
Минимальное число образцов в кластере
(Дополнительный)

Минимальное число пикселов или сегментов в действительном кластере или классе.

Значение 20, используемое по умолчанию, эффективно при создании статистически значимых классов. Вы можете увеличить это значение для более объемлющих классов, однако это может ограничить общее количество созданных классов.

Long
Коэффициент пропуска
(Дополнительный)

Максимальное число пропускаемых пикселов для входного пиксельного изображения. Если входным изображением является сегментированное, укажите число пропускаемых сегментов.

Long
Используемые атрибуты сегментов
(Дополнительный)

Укажите атрибуты, которые будут включены в связанную с выходным растром таблицу атрибутов.

  • Конвергированный цвет —Значения цвета RGB будут получены из входного растра на основе каждого сегмента.
  • 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
Максимальное число слияний кластеров на итерацию
(Дополнительный)

Максимальное число слияний кластеров на итерацию. При увеличении числа слияний число создаваемых классов уменьшится. Меньшее значение приведет к созданию большего числа классов.

Long
Максимальное расстояние слияния
(Дополнительный)

Максимальное расстояние между центрами кластеров в пространстве объектов. Увеличение расстояния сделает возможным слияние большего числа кластеров, что позволит получить меньше классов. Меньшее значение приведет к созданию большего числа классов. Значения от 0 до 5, как правило, дают наилучшие результаты.

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})
ИмяОписаниеТип данных
in_raster

Набор растровых данных для классификации.

Raster Layer; Mosaic Layer; Image Service; String
max_classes

Максимальное количество требуемых классов для группировки пикселов или сегментов. Оно должно быть больше числа классов в легенде.

Возможно, что вы получите меньше классов, чем указано этим параметром. Если необходимо больше классов, увеличьте это значение и агрегируйте классы после завершения процесса обучения.

Long
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_iterations
(Дополнительный)

Максимальное число итераций, выполняемых процессом кластеризации.

Рекомендованный диапазон находится между 10 и 20 итерациями. Увеличение этого значения линейно увеличивает время обработки.

Long
min_samples_per_cluster
(Дополнительный)

Минимальное число пикселов или сегментов в действительном кластере или классе.

Значение 20, используемое по умолчанию, эффективно при создании статистически значимых классов. Вы можете увеличить это значение для более объемлющих классов, однако это может ограничить общее количество созданных классов.

Long
skip_factor
(Дополнительный)

Максимальное число пропускаемых пикселов для входного пиксельного изображения. Если входным изображением является сегментированное, укажите число пропускаемых сегментов.

Long
used_attributes
[used_attributes;used_attributes,...]
(Дополнительный)

Укажите атрибуты, которые будут включены в связанную с выходным растром таблицу атрибутов.

  • COLORЗначения цвета RGB будут получены из входного растра на основе каждого сегмента.
  • MEANСредний цифровой номер (DN) будет получен из дополнительного пиксельного изображения, на основе каждого сегмента.
  • STDСтандартное отклонение будет получено из дополнительного пиксельного изображения, на основе каждого сегмента.
  • COUNTЧисло пикселов, составляющих сегмент, на основе каждого сегмента.
  • COMPACTNESSСоединяет сегменты, которые были разрезаны границами листов в процессе сегментации. Значения находятся в диапазоне от 0 до 1, где 1 соответствует кругу.
  • RECTANGULARITYСтепень, определяющая, насколько сегмент является прямоугольным, на основе каждого сегмента. Значения находятся в диапазоне от 0 до 1, где 1 соответствует прямоугольнику.

Это параметр активен только в тех случаях, когда для входного растра выбран ключевой параметр Сегментированный (Segmented). Если для входных данных инструмента используется только сегментированное изображение, то атрибутами по умолчанию будутCOLOR, COUNT, COMPACTNESS и RECTANGULARITY. Если в качестве входных данных вместе с сегментированным изображением также используется in_additional_raster, то тогда также будут доступны атрибуты MEAN и STD.

String
max_merge_per_iter
(Дополнительный)

Максимальное число слияний кластеров на итерацию. При увеличении числа слияний число создаваемых классов уменьшится. Меньшее значение приведет к созданию большего числа классов.

Long
max_merge_distance
(Дополнительный)

Максимальное расстояние между центрами кластеров в пространстве объектов. Увеличение расстояния сделает возможным слияние большего числа кластеров, что позволит получить меньше классов. Меньшее значение приведет к созданию большего числа классов. Значения от 0 до 5, как правило, дают наилучшие результаты.

Double

Пример кода

TrainIsoClusterClassifier, пример 1 (окно Python)

Следующий скрипт окна Python использует классификатор Изокластер для создания файла определения неконтролируемой классификации Esri с максимум десятью классами.

import arcpy
from arcpy.ia import *

# Check out the ArcGIS Image Analyst extension license
arcpy.CheckOutExtension("ImageAnalyst")

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")
TrainIsoClusterClassifier, пример 2 (автономный скрипт)

Данный примерный скрипт использует классификатор Изокластер для создания файла определения неконтролируемой классификации Esri с максимум десятью классами.

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

"""Usage: TrainIsoClusterClassifier(in_raster, max_num_classes, 
                out_classifier_definition, {in_additional_raster}, 
                {max_num_iterations}, {min_num_samples_per_cluster}, 
                {skip_factor},{used_attributes})

"""

# 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"

# Check out the ArcGIS Image Analyst extension license
arcpy.CheckOutExtension("ImageAnalyst")

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

Информация о лицензиях

  • Basic: Обязательно Image Analyst or Spatial Analyst
  • Standard: Обязательно Image Analyst or Spatial Analyst
  • Advanced: Обязательно Image Analyst or Spatial Analyst

Связанные разделы