Disponible avec une licence Spatial Analyst.
Résumé
Estime la précision des échantillons d'apprentissage individuels. La précision de la validation croisée est calculée à l'aide du résultat d'apprentissage de la classification précédemment généré dans un fichier .ecd et des échantillons d'apprentissage. Les sorties sont notamment un jeu de données raster contenant les valeurs des classes incorrectement classées et un jeu de données d'échantillons d'apprentissage avec le score de précision pour chaque échantillon d'apprentissage.
Utilisation
L'outil utilise le raster en entrée, un raster en entrée supplémentaire et le fichier de définition de classificateur .ecd pour produire une couche de classification à la volée. Cette couche de classification est ensuite utilisée comme référence et comparée à tous les polygones ou points des échantillons d'apprentissage. Comme un échantillon d'apprentissage idéal ne doit contenir que des pixels de la classe qu'il représente, la précision est calculée en comparant tous les pixels classés correctement avec tous les pixels classés incorrectement pour chaque échantillon d'apprentissage. Le score de précision (par polygone ou point) est calculé en tant que number of correctly classified pixels/number of total pixels contenu dans chaque échantillon d'apprentissage.
Le score pour les échantillons d'apprentissage de type polygone est une valeur décimale allant de 0 à 1, où une valeur plus proche de 1 signifie une meilleure précision. Le score pour les échantillons d'apprentissage de type point est soit 0 pour imprécis ou 1 pour précis.
Les résultats peuvent être utilisés des manières suivantes pour optimiser les échantillons d'apprentissage qui définissent les classes :
- Utilisez la table attributaire de l'échantillon d'apprentissage en sortie pour trier les entités d'apprentissage par précision, puis zoomez sur chaque entité.
- Utilisez l'appariement de classes raster classées incorrectement pour voir le lieu de la confusion de classification et sa cause.
- A l'aide de cette information, vous pouvez choisir de conserver, supprimer ou mettre à jour les entités d'apprentissage.
Syntaxe
InspectTrainingSamples(in_raster, in_training_features, in_classifier_definition, out_training_feature_class, out_misclassified_raster, {in_additional_raster})| Paramètre | Explication | Type de données |
in_raster | Le raster en entrée à classer. | Mosaic Layer; Raster Layer; Image Service; String |
in_training_features | La classe d'entités d'un échantillon d'apprentissage créée dans la fenêtre Gestionnaire d'échantillons d'apprentissage. | Feature Layer; Raster Catalog Layer |
in_classifier_definition | Le fichier de classificateur en sortie .ecd généré à partir d'un des outils Préparer le classificateur. Le fichier .ecd qui contient des informations sur des attributs, des statistiques ou d'autres informations nécessaires pour le classificateur. | File |
out_training_feature_class | Les échantillons d'apprentissage individuels en sortie sont enregistrés en tant que classe d'entités. La table attributaire associée contient un champ supplémentaire qui indique le score de précision. | Feature Class |
out_misclassified_raster | Raster incorrectement classé en sortie qui possède des données NoData en dehors des échantillons d'apprentissage. Dans les échantillons d'apprentissage, les pixels correctement classés sont représentés en tant que NoData et les pixels incorrectement classés sont représentés par leur valeur de classe. Les résultats sont un appariement d'index de valeurs de classes incorrectement classées. | Raster Dataset |
in_additional_raster (Facultatif) | Incorpore des jeux de données raster auxiliaires, à savoir une image multispectrale ou un MNE, par exemple, pour générer des attributs et d’autres informations requises par le classificateur. Ce raster est nécessaire lors du calcul des attributs tels que la moyenne ou l’écart type. Ce paramètre est facultatif. | Mosaic Layer; Raster Layer; Image Service; String |
Exemple de code
Exemple 1 d'utilisation de l'outil InspectTrainingSamples (fenêtre Python)
Cet exemple inspecte l'adéquation des échantillons d'apprentissage pour la classification.
### 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")
Exemple 2 d'utilisation de l'outil InspectTrainingSamples (script autonome)
Cet exemple inspecte l'adéquation des échantillons d'apprentissage pour la classification.
### 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")
Environnements
Informations de licence
- Basic: Requiert Spatial Analyst
- Standard: Requiert Spatial Analyst
- Advanced: Requiert Spatial Analyst
Rubriques connexes
- Vue d'ensemble du jeu d'outils de segmentation et de classification
- Présentation de la classification des images
- Préparer le classificateur de vraisemblance maximale
- Préparer le classificateur d'arbres aléatoires
- Préparer le classificateur de machines à vecteurs de support
- Classer le raster
- Générer des échantillons d'apprentissage à partir de points d'origine