NOMBRE
i.gensigset - Genera un fichero de signaturas espectrales para utilizar
con el módulo i.smap .
(GRASS Imagery Program)
USO
i.gensigset
i.gensigset help
i.gensigsettrainingmap=name group=namesubgroup=namesignaturefile=name
[maxsig=value]
DESCRIPCION
i.gensigset es un programa no interactivo que genera ficheros de
entrada a i.smap. Por tanto
puede utilizarse como primer paso en el procedimiento de dos pasos para
clasificar imágenes de satélite. Lee un mapa de areas de
entrenamiento que contiene polígonos cuyas clases se conocen previamente,
a partir de estas y de las bandas contenidas en el subgrupo de trabajo
genera un fichero de signaturas para esas areas de entrenamiento que se
almacenan en el fichero de signaturas espectrales que puede leerse con
i.smap
para generar el mapa de areas clasificadas.
Parametros:
-
trainingmap=name
-
mapa de areas de entrenamiento, debe haber sido generado previamente, pueden
usarse para ello los módulos v.digit
y v.to.rast, o r.digit
.
-
group=name
-
grupo de imágenes
-
subgroup=name
-
subgrupo de imágenes
-
signaturefile=name
-
fichero de signaturas espectrales resultante (contiene medias y covarianzas)
para cada clase en el mapa de areas de entrenamiento.
-
maxsig=value
-
maximo numero de subsignaturas en las clases (por defecto: 10)
Las signaturas espectrales creadas por este programa son signaturas
mixtas (ver NOTAS). Cada signatura contiene
una o varias subsignaturas (representando subclases). El algoritmo comienza
con un número máximo de subclases y lo reduce a un mínimo
número de subclases espectralmente diferenciables.
MODO INTERACTIVO
Si no se especifican los parámetros en linea de comandos, el programa
preguntará por sus valores.
If none of the arguments are specified on the command line,
i.gensigset
will interactively prompt for the names of these maps and files.
NOTAS
El algoritmo de i.gensigset determina los parámetros de un
modelo de clase espectral conocido como Gaussian mixture distribution.
Los parámetros se estiman urilizando datos multiespectrales de las
imágenes y un mapa de areas de entrenamiento. Los resultados se
almacenan en un fichero especial de signaturas que se rás usados
posteriormente por el módulo i.smap para llevar a cabo la
segunda fase dle proceso de clasificación.
El algoritmo gaussiano mixto resulta útil ya que puede usarse
para describir el comportamiento de una clase informacional que contiene
pixels con diferentes características espectrales (especies diferentes
en un bosque por ejemplo) .
El objetivo de este algoritmo es mejorar la calidad de la clasificación
modelizando la signatura espectral de cada una de las clases como una mezcla
probabilística de varias subclases. Al mismo tiempo evita la necesidad
de una división no supervisada para identificar las subclases Pero
si se utilizan muestras mal clasificadas en el proceso de entrenamiento,
estas pueden agruparse en subclases no deseadas. Por tanto es necesesario
extremar el cuidado en obtener areas de entrenamiento adecuadas.
El algoritmo estima tanto el número de diferentes subclases en
una clase como las medias y covarianzas de las subclases. El número
de subclases se estima utilizando This clustering algorithm estimates both
the number of distinct subclasses in each class, and the spectral mean
and covariance for each subclass. The number of subclasses is estimated
using Rissanen's minimum description length (MDL) criteria [1].
This criteria attempts to determine the number of subclasses which "best"
describe the data. The approximate maximum likelihood estimates of the
mean and covariance of the subclasses are computed using the expectation
maximization (EM) algorithm [2,3].
REFERENCIAS
-
J. Rissanen, "A Universal Prior for Integers and
Estimation by Minimum Description Length,"
Annals of Statistics,
vol. 11, no. 2, pp. 417-431, 1983.
-
A. Dempster, N. Laird and D. Rubin, "Maximum Likelihood
from Incomplete Data via the EM Algorithm,"
J. Roy. Statist. Soc. B,
vol. 39, no. 1, pp. 1-38, 1977.
-
E. Redner and H. Walker, "Mixture Densities, Maximum
Likelihood and the EM Algorithm,"
SIAM Review, vol. 26, no. 2, April
1984.
VER
i.group
v.digit
r.digit
i.smap
AUTORES
Charles Bouman, School of Electrical Engineering, Purdue University
Michael Shapiro, U.S.Army Construction Engineering Research Laboratory