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

Support Vector Machine-Klassifikator trainieren

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

Zusammenfassung

Erstellen einer Esri Classifier Definition (.ecd)-Datei mithilfe der Definition für die Klassifikation mit Support Vector Machine.

Verwendung

  • Mit dem SVM-Klassifikator steht eine moderne, leistungsfähige Methode für die überwachte Klassifizierung zur Verfügung, mit der sich eine segmentierte Raster-Eingabe oder ein Standardbild verarbeiten lassen. Dies ist eine relativ neue Klassifizierungsmethode, die von Forschern rege genutzt wird.

  • Für die Eingabe von Standardbildern akzeptiert das Werkzeug Multiband-Bilddaten mit beliebiger Bit-Tiefe. Dabei erfolgt die SVM-Klassifizierung auf Grundlage der Trainings-Feature-Datei auf Pixelbasis.

  • Indexbild und damit verbundene Segmentattribute von segmentierten Rastern (Schlüssel ist auf Segmentiert festgelegt) berechnet das Werkzeug aus dem RGD-segmentierten Raster. Die Berechnung der Attribute erfolgt zwecks Generierung der Classifier Definition-Datei, die in einem separaten Klassifizierungswerkzeug verwendet werden kann. Die Attribute des jeweiligen Segments lassen sich aus einem beliebigen von Esri unterstützten Bild berechnen.

  • Gegenüber herkömmlichen Klassifizierungsmethoden hat das SVM-Klassifizierungswerkzeug einige Vorteile vorzuweisen:

    • Der SVM-Klassifikator kann sehr große segmentierte Bilder verarbeiten, deren Attributtabelle eine enorme Größe annehmen kann. Dies ist besonders hilfreich für hochauflösende Bilddaten.
    • Er ist weniger anfällig für Rauschen, korrelierte Bänder oder eine unausgewogene Anzahl oder Größe von Training-Sites in der jeweiligen Klasse.

  • Als Eingabe werden beliebige, von Esri unterstützte Raster akzeptiert, darunter Raster-Produkte, segmentierte Raster, Mosaike, Image-Services oder generische Raster-Datasets. Die segmentierten Raster müssen 8-Bit-Raster mit 3 Bändern sein.

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

Syntax

TrainSupportVectorMachineClassifier (in_raster, in_training_features, out_classifier_definition, {in_additional_raster}, {max_samples_per_class}, {used_attributes})
ParameterErläuterungDatentyp
in_raster

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

Als Eingabe eignet sich am besten ein segmentiertes 3-Band, 8-Bit-Raster-Dataset, bei dem alle Pixel desselben Segments dieselbe Farbe aufweisen. Auch ein 1-Band-, 8-Bit-Graustufen-segmentiertes Raster kann als Eingabe dienen. Steht kein segmentiertes Raster zur Verfügung, können Sie ein beliebiges von Esri unterstütztes Raster-Dataset verwenden.

Raster Layer | Mosaic Layer
in_training_features

Die Trainingsgebiet-Feature-Class muss in ArcMap erstellt worden sein. In Python gibt es dafür keine Erstellmöglichkeit.

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, ein Multispektralbild oder ein DEM, um Attribute und weitere erforderliche Informationen für die Klassifizierung zu erzeugen.

Raster Layer | Mosaic Layer
max_samples_per_class
(optional)

Die maximale Anzahl von Beispielen, die zum Definieren der jeweiligen Klasse verwendet wird.

Empfehlenswert ist ein Standardwert von 100, wenn es sich bei den Eingaben um unsegmentierte Raster handelt. Ein Wert kleiner oder gleich 0 bedeutet, dass zum Trainieren des Klassifikators alle in den Training-Sites enthaltenen Beispiele verwendet werden.

Long
used_attributes
used_attributes;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

TrainSupportVectorClassifier – Beispiel 1 (Python-Fenster)

In diesem Python-Beispiel wird zum Klassifizieren eines segmentierten Rasters der SVM-Klassifikator verwendet.

import arcpy
from arcpy.sa import *

arcpy.gp.TrainSupportVectorMachineClassifier(
    "c:/test/moncton_seg.tif", "c:/test/train.gdb/train_features",
    "c:/output/moncton_sig_SVM.ecd", "c:/test/moncton.tif", "10",
    "COLOR;MEAN;STD;COUNT;COMPACTNESS;RECTANGULARITY")
TrainSupportVectorClassifier – Beispiel 2 (eigenständiges Skript)

In diesem Python-Skript wird zum Klassifizieren eines segmentierten Rasters der SVM-Klassifikator verwendet.

# 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"
maxNumSamples = "10"
attributes = "COLOR;MEAN;STD;COUNT;COMPACTNESS;RECTANGULARITY"

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

#Execute
arcpy.gp.TrainSupportVectorMachineClassifier(
    inSegRaster, train_features, out_definition, 
    in_additional_raster, maxNumSamples, attributes)

Umgebungen

  • Komprimierung
  • Aktueller Workspace
  • Ausdehnung
  • NoData
  • Ausgabe-CONFIG-Schlüsselwort
  • Ausgabe-Koordinatensystem
  • Faktor für parallele Verarbeitung
  • 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