Классификатор по методу максимального правдоподобия с обучением (Spatial Analyst)

Доступно с лицензией Spatial Analyst.

Доступно с лицензией Image Analyst.

Краткая информация

Создает файл определения классификатора Esri (.ecd) с использованием определения классификации Метода максимального правдоподобия (MLC).

Использование

  • Для завершения процесса классификации по методу максимального подобия используйте тот же входной растр и выходной файл .ecd инструмента Классифицировать растр .

  • Входным растром может быть любой поддерживаемый Esri растр с любой глубиной пикселов.

  • Для создания сегментированного набора растровых данных используйте инструмент Средний сдвиг сегмента.

  • Чтобы создать файл обучающей выборки, используйте панель Менеджер обучающей выборки из ниспадающего меню Инструменты классификации.

  • Выходной файл определения классификатора содержит статистику атрибутов, которая подходит для инструмента Классификация по методу максимального подобия.

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

  • Необходим двухшаговый процесс, чтобы классифицировать растровые данные временных рядов с помощью алгоритма Непрерывное определение и классификаций изменений (CCDC). Сначала запустите инструмент Анализировать изменения с помощью CCDC, который доступен с лицензией дополнительного модуля Image Analyst. Далее используйте результаты как входные данные для этого инструмента обучения.

    Обучающие выборки данных должны быть собраны за несколько раз с помощью Менеджера обучающих выборок. Значение размерности для каждой выборки указано в поле в векторном классе обучающих выборок, которое задано параметром Поле значения размерности.

Параметры

ПодписьОписаниеТип данных
Входной растр

Набор растровых данных для классификации.

Raster Layer; Mosaic Layer; Image Service; String
Входной файл обучающей выборки

Выберите файл обучающей выборки или слой, который определяет районы обучающей выборки.

Это могут быть либо шейп-файлы, либо классы объектов, которые содержат обучающие выборки. В файле обучающей выборки должны быть поля со следующими именами:

  • classname – текстовое поле с указанием имени категории класса.
  • classvalue – поле типа long integer, содержащее целочисленное значение для каждой категории класса.

Feature Layer
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)

Включает вспомогательные наборы растровых данных, например, сегментированное изображение или ЦМР. Это дополнительный параметр.

Raster Layer; Mosaic Layer; Image Service; String
Используемые атрибуты сегментов
(Дополнительный)

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

Это параметр активен только в тех случаях, когда для входного растра выбран ключевой параметр Сегментированный. Если для входных данных инструмента используется только сегментированное изображение, то атрибутами по умолчанию будут Конвергированный цвет, Число пикселов, Компактность и Прямоугольность. Если в качестве входных данных вместе с сегментированным изображением также используется значение Дополнительный входной растр, то тогда также будут доступны атрибуты Среднее число и Стандартное отклонение.

  • Конвергированный цветЗначения цвета RGB будут получены из входного растра на основе каждого сегмента. Это также называется цвет средней хроматичности.
  • Среднее числоСредний цифровой номер (DN) будет получен из дополнительного пиксельного изображения, на основе каждого сегмента.
  • Среднеквадратичное отклонениеСтандартное отклонение будет получено из дополнительного пиксельного изображения, на основе каждого сегмента.
  • Число пикселовЧисло пикселов, составляющих сегмент, на основе каждого сегмента.
  • КомпактностьСоединяет сегменты, которые были разрезаны границами листов в процессе сегментации. Значения находятся в диапазоне от 0 до 1, где 1 соответствует кругу.
  • ПрямоугольностьСтепень, определяющая, насколько сегмент является прямоугольным, на основе каждого сегмента. Значения находятся в диапазоне от 0 до 1, где 1 соответствует прямоугольнику.
String
Поле значения измерения
(Дополнительный)

Содержит значения измерений во входном классе объектов обучающей выборки.

Этот параметр требуется для классификации растровых данных временных рядов с помощью выходного растра анализа изменений из инструмента Анализ изменений с помощью CCDC в наборе инструментов Image Analyst.

Field

TrainMaximumLikelihoodClassifier(in_raster, in_training_features, out_classifier_definition, {in_additional_raster}, {used_attributes}, {dimension_value_field})
ИмяОписаниеТип данных
in_raster

Набор растровых данных для классификации.

Raster Layer; Mosaic Layer; Image Service; String
in_training_features

Выберите файл обучающей выборки или слой, который определяет районы обучающей выборки.

Это могут быть либо шейп-файлы, либо классы объектов, которые содержат обучающие выборки. В файле обучающей выборки должны быть поля со следующими именами:

  • classname – текстовое поле с указанием имени категории класса.
  • classvalue – поле типа long integer, содержащее целочисленное значение для каждой категории класса.

Feature Layer
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)

Включает вспомогательные наборы растровых данных, например, сегментированное изображение или ЦМР. Это дополнительный параметр.

Raster Layer; Mosaic Layer; Image Service; String
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. Это также называется цвет средней хроматичности.
  • 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
dimension_value_field
(Дополнительный)

Содержит значения измерений во входном классе объектов обучающей выборки.

Этот параметр требуется для классификации растровых данных временных рядов с помощью выходного растра анализа изменений из инструмента Анализ изменений с помощью CCDC в наборе инструментов Image Analyst.

Field

Пример кода

TrainMaximumLikelihoodClassifier, пример 1 (окно Python)

В следующем скрипте окна Python показано, как используется инструмент 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")
TrainMaximumLikelihoodClassifier, пример 2 (автономный скрипт)

В данном примере показано, как использовать классификатор по методу максимального правдоподобия с обучением.

# 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)
TrainMaximumLikelihoodClassifier, пример 3 (автономный скрипт)

В данном примере показано, как обучить классификатор по методу максимального правдоподобия, используя растр анализа изменений из инструмента Анализ изменений с помощью 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)

Информация о лицензиях

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

Связанные разделы