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

  1. J. Rissanen, "A Universal Prior for Integers and Estimation by Minimum Description Length," Annals of Statistics, vol. 11, no. 2, pp. 417-431, 1983.
  2. 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.
  3. 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