ArcGIS Desktop

  • Dokumentation
  • Support

  • My Profile
  • Hilfe
  • Sign Out
ArcGIS Desktop

ArcGIS Online

Die Mapping-Plattform für Ihre Organisation

ArcGIS Desktop

Ein vollständiges professionelles GIS

ArcGIS Enterprise

GIS in Ihrem Unternehmen

ArcGIS for Developers

Werkzeuge zum Erstellen standortbezogener Apps

ArcGIS Solutions

Kostenlose Karten- und App-Vorlagen für Ihre Branche

ArcGIS Marketplace

Rufen Sie Apps und Daten für Ihre Organisation ab.

  • Dokumentation
  • Support
Esri
  • Anmelden
user
  • Eigenes Profil
  • Abmelden

ArcMap

  • Startseite
  • Erste Schritte
  • Karte
  • Analysieren
  • Verwalten von Daten
  • Werkzeuge
  • Erweiterungen

Maximum-Likelihood-Klassifikator trainieren

Mit der Spatial Analyst-Lizenz verfügbar.

  • Zusammenfassung
  • Verwendung
  • Syntax
  • Codebeispiel
  • Umgebungen
  • Lizenzinformationen

Zusammenfassung

Erstellen einer Esri Classifier Definition (.ecd)-Datei mithilfe der Definition für die Klassifikation mit dem Maximum-Likelihood-Klassifikator.

Verwendung

  • Um den Prozess der Maximum-Likelihood-Klassifizierung abzuschließen, verwenden Sie dasselbe Eingabe-Raster und dieselbe Ausgabe- .ecd-Datei aus diesem Werkzeug im Werkzeug Raster klassifizieren.

  • Das Eingabe-Raster kann ein beliebiges von Esri unterstütztes Raster mit einer gültigen Bit-Tiefe sein.

  • Klicken Sie zum Erstellen eines segmentierten Raster-Datasets auf das Werkzeug Mean Shift-Segmentierung.

  • Verwenden Sie zum Erstellen von Trainingsgebieten den Trainingsgebiet-Manager auf der Werkzeugleiste Bildklassifizierung. Weitere Informationen zum Verwenden der Werkzeugleiste Bildklassifizierung finden Sie unter Was ist Bildklassifizierung?

  • Die Ausgabe Klassifikatordefinitions-Datei (.ecd) enthält Attributstatistiken, die für das Werkzeug Maximum-Likelihood-Klassifizierung geeignet sind.

  • Segmentattribute sind nur dann aktiviert, wenn eine der Raster-Layer-Eingaben ein segmentiertes Bild ist.

Syntax

TrainMaximumLikelihoodClassifier (in_raster, in_training_features, out_classifier_definition, {in_additional_raster}, {used_attributes})
ParameterErläuterungDatentyp
in_raster

Wählen Sie das Raster-Dataset aus, das klassifiziert werden soll.

Raster Layer | Mosaic Layer
in_training_features

Wählen Sie die Trainingsgebietdatei bzw. den Trainingsgebiet-Layer aus, der Ihre Training-Sites abgrenzt.

Die Eingabe-Trainingsgebietdatei ist die Standard-Trainingsgebietdatei, die mit den vorhandenen Trainings-Werkzeugen der Werkzeugleiste Bildklassifizierung von Spatial Analyst im Shapefile- oder Feature-Class-Format erstellt wird.

Feature Layer | Raster Catalog Layer
out_classifier_definition

Dies ist eine JSON-Datei, die Attributinformationen, Statistiken, Hyperebenenvektoren und weitere für den Klassifikator erforderliche Daten enthält. Es wird eine Datei mit der Erweiterung .ecd erstellt.

File
in_additional_raster
(optional)

Integrieren Sie optional Zusatz-Raster-Datasets wie ein segmentiertes Bild oder ein DEM.

Raster Layer | Mosaic Layer
used_attributes
(optional)

Geben Sie die Attribute an, die in die dem Ausgabe-Raster zugeordnete Attributtabelle aufgenommen werden sollen.

Wenn die einzige Eingabe für das Werkzeug ein segmentiertes Bild ist, lauten die Standardattribute COLOR, COUNT, COMPACTNESS und RECTANGULARITY. Wenn ein in_additional_raster ebenfalls als Eingabe mit einem segmentierten Bild einbezogen wird, sind die Optionen MEAN und STD verfügbar.

  • COLOR —Die Farbe durchschnittlicher Chromatizität, segmentbezogen.
  • MEAN —Der durchschnittliche Digitalnummernwert (DN), abgeleitet aus dem optionalen Pixelbild, segmentbezogen.
  • STD —Die Standardabweichung, abgeleitet aus dem optionalen Pixelbild, segmentbezogen.
  • COUNT —Die Anzahl der im Segment enthaltenen Pixel, segmentbezogen.
  • COMPACTNESS —Der Grad der Kompaktheit oder Kreisförmigkeit eines Segments, segmentbezogen. Die Werte liegen zwischen 0 und 1, wobei 1 einem Kreis entspricht.
  • RECTANGULARITY —Der Grad der Rechteckigkeit des Segments, segmentbezogen. Die Werte liegen zwischen 0 und 1, wobei 1 einem Rechteck entspricht.
String

Codebeispiel

TrainMaximumLikelihoodClassifier – Beispiel 1 (Python-Fenster)

Das folgende Skript veranschaulicht, wie dieses Werkzeug im Python-Fenster verwendet wird.

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 – Beispiel 2 (eigenständiges Skript)

In diesem Beispiel wird gezeigt, wie ein Maximum-Likelihood-Klassifikator trainiert wird.

# 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"

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

# Execute 
TrainMaximumLikelihoodClassifier(inSegRaster, train_features, out_definition, 
                                 in_additional_raster, attributes)

Umgebungen

  • Komprimierung
  • Aktueller Workspace
  • Ausdehnung
  • NoData
  • Ausgabe-CONFIG-Schlüsselwort
  • Ausgabe-Koordinatensystem
  • Pyramide
  • Raster-Statistiken
  • Scratch-Workspace
  • Fang-Raster

Lizenzinformationen

  • ArcGIS Desktop Basic: Erfordert Spatial Analyst
  • ArcGIS Desktop Standard: Erfordert Spatial Analyst
  • ArcGIS Desktop Advanced: Erfordert Spatial Analyst

Verwandte Themen

  • Überblick über das Toolset "Segmentierung und Klassifizierung"
  • Was ist Bildklassifizierung?

ArcGIS Desktop

  • Startseite
  • Dokumentation
  • Support

ArcGIS Plattform

  • ArcGIS Online
  • ArcGIS Desktop
  • ArcGIS Enterprise
  • ArcGIS for Developers
  • ArcGIS Solutions
  • ArcGIS Marketplace

Über Esri

  • Über uns
  • Karriere
  • Insider-Blog
  • User Conference
  • Developer Summit
Esri
Wir sind an Ihrer Meinung interessiert.
© Copyright 2016 Environmental Systems Research Institute, Inc. | Datenschutz | Rechtliches