NAME

i.smap - Modulo para hacer clasificación contextual de imágenes mediante estimación secuencial máxima a posteriori (SMAP).
(GRASS Imagery Program)

USO

i.smap
i.smap help
i.smap [-mq] group=name subgroup=namesignaturefile=name [blocksize=value] output=name

DESCRIPCION

Se usa para dividir imágenes multiespectrales mediante un modelo de clases espectrales denominado  Gaussian mixture distribution. Incluyendo como caso particular distribuciones gaussianas multivariantes convencionales. Por tanto este módulo puede utilizarse también para clasificar imágenes multiespectrales basadas simplemente en la media y la covarianza. i.smap tiene dos modos de operar.

El primero es el modo SMAP que trata de mejorar la precisión de la clasificación dividiendo la imagen en regiones en lugar de clasificar cada pixel por separado (ver NOTAS).

El  segundo es la clasificación de máxima verosimilitud.

Opciones:

-m
Usar  máxima verosimilitud en lugar de SMAP.
-q
Ejecución silenciosa, sin mensajes acerca del progreso del modulo.

Parametros:

group=name
Grupo de  imágenes
subgroup=name
Subgrupo de imágenes
signaturefile=name
Fichero de signaturas espectrales obtenido con el módulo i.gensigset (ver NOTAS).
blocksize=value
Tamaño de la subventana que se utiliza para leer los datos (por defecto: 128). Este módulo se ha diseñado para no consumir excesiva memoria sin que por ello se vea afectada la clasificación. Esta opción determina la cantidad de memoria que va a usarse. Una ventana grande implica más memoria y mayor velocidad de ejecución. Aunque dependiendo siempre de la cantidad de memoria real disponible en el sistema y de la cantidad de memoria virtual que utilice el programa.

 
El parámetro de suavizado que utiliza el algoritmo se calcula en cada subventana por separado. Si la imagen tiene regiones con comportamiento cualitativamente distinto puede ser conveniente utilizar subventanas de tamaño adecuado para tener valores diferentes en regiones diferentes.
El tamaño de la submatriz no influye sobre la ejecución del método de máxima verosimilitud.

 
output=name
Mapa resultante que contiene la clasificación obtenida.

INTERACTIVE MODE

If none of the arguments are specified on the command line, i.smap will interactively prompt for the names of the maps and files. 

NOTAS

El algoritmo SMAP utiliza el hecho de que celdillas cercanas tienen mayor probabilidad de pertenecer a la misma clase. Funciona dividiendo la imagen a varias escalas y utilizando las más groseras para guiar a las más finas. Además de reducir el número de clasificaciones erroneas, SMAP generalmente produce clasificaciones con regiones conectadas mayores.

El grado de suavizado que se produce en la clasificación depende del comportamiento de los datos. Si estos sugieren que celdillas cercanas tienen elevada probabilidad de pertenecer a clases diferentes el algoritmo reducira el suavizado.

REFERENCIAS

  1. C. Bouman and M. Shapiro, "Multispectral Image Segmentation using a Multiscale Image Model," Proc. of IEEE Int'l Conf. on Acoust., Speech and Sig. Proc., pp. III-565 - III-568, San Francisco, California, March 23-26, 1992.
  2. C. Bouman and M. Shapiro 1994, "A Multiscale Random Field Model for Bayesian Image Segmentation,"IEEE Trans. on Image Processing., 3(2), 162-177"
  3. McCauley, J.D. and B.A. Engel 1994, "Comparison of Scene Segmentations: SMAP, ECHO and Maximum Likelyhood,"IEEE Trans. on Image Processing., 6(2), 1-4"

VER

i.group
i.gensigset

AUTORES

Charles Bouman, School of Electrical Engineering, Purdue University
Michael Shapiro, U.S.Army Construction Engineering Research Laboratory