Más

¿Agregar parámetros adicionales a la clasificación de imágenes en ArcGIS for Desktop?

¿Agregar parámetros adicionales a la clasificación de imágenes en ArcGIS for Desktop?


Tengo una imagen RGB orto-rectificada y tengo otra cuadrícula de datos con valores de elevación.

Sin embargo, una imagen con solo tres bandas no proporciona una buena clasificación de la cobertura del suelo, por lo que es importante agregar información adicional, p. Ej. patrón o datos de elevación de otro conjunto de datos.

Solo tengo acceso al software ArcGIS, por lo que deseo saber cómo puedo hacer esto en ArcGIS for Desktop.


¿Estás intentando fusionar el DEM con las imágenes como una cuarta banda? No creo que la elevación sea un conjunto de datos válido para la clasificación del uso de la tierra. Sin embargo, como indicó, el patrón de la tierra derivado del DEM podría ser mejor. Es posible que desee mirar en Bandas compuestas. Eso agregará su archivo de patrón de tierra como una nueva banda a sus imágenes. Las bandas compuestas están disponibles para todos los niveles de licencia de ArcGIS.

La documentación de ESRI establece que la herramienta:

Crea un único dataset ráster a partir de varias bandas y también puede crear un dataset ráster utilizando solo un subconjunto de bandas.

Una vez que tenga eso, puede usar el Barra de herramientas de clasificación de imágenes.

La barra de herramientas de clasificación de imágenes proporciona un entorno fácil de usar para crear muestras de capacitación y archivos de firmas para la clasificación supervisada. También sirve como una ubicación centralizada para realizar tanto la clasificación supervisada como la clasificación no supervisada.

Sin embargo, esto solo está disponible con el Extensión de Spatial Analyst.


Buscar puntos de interés (PDI) ¶

Un PDI es una ubicación puntual que puede representar un hito cultural o geográfico, una división comercial o administrativa. Por ejemplo, puede encontrar parques de atracciones, museos, escuelas, restaurantes, hoteles, gasolineras u otros tipos de empresas o puntos de referencia geográficos, como montañas, lagos, ríos o desiertos o lugares administrativos, como barrios, ciudades, estados. , condados o países. El método de codificación geográfica admite la codificación geográfica de PDI por nombre o por tipo.

Los tipos admitidos se enumeran en esta tabla.

Al igual que con las direcciones de calles, puede buscar PDI con findAddressCandidates utilizando el enfoque de campo único o de campo múltiple.

Búsqueda de puntos de interés de un solo campo¶

Para buscar puntos de interés con una búsqueda de un solo campo, utilice el parámetro singleLine. En general, las cadenas de búsqueda de PDI de línea única válidas se pueden formatear en variaciones de dos estructuras básicas:

  1. & ltname o type & gt & ltoptional connector & gt & ltoptional zone & gt
  2. & ltoptional zone & gt & ltname o type & gt Donde:
  • & ltname or type & gt = Un nombre de lugar, como "Disneyland", "Starbucks", "Niagra Falls" o "París" o un tipo, como "parques de atracciones", "cascadas" o "cafeterías"
  • & ltoptional zone & gt = Una zona, que puede ser una ciudad, estado o región, país o cualquier combinación de los mismos, proporciona un límite espacial a la búsqueda. Puede incluirse para limitar los candidatos coincidentes, pero no es obligatorio.
  • & ltoptional connector & gt = "in", "at" o "near" esto no es necesario para la búsqueda

Ejemplos de cadenas de búsqueda de direcciones de una sola línea válidas incluyen:

  • Starbucks San Diego
  • Starbucks San Diego CA
  • Starbucks San Diego, Estados Unidos
  • Starbucks en San Diego
  • Starbucks de San Diego
  • San Diego CA Starbucks
  • San Diego Estados Unidos Starbucks
  • cafeterías San Diego
  • cafeterías San Diego CA
  • Cafeterías de San Diego, EE.
  • cafeterías en San Diego CA
  • Cafeterías de San Diego
  • Cafeterías en San Diego CA
  • Cafeterías de San Diego, EE. UU.

Búsqueda de puntos de interés en varios campos¶

Al buscar puntos de interés mediante la entrada de varios campos, el nombre o el tipo de punto de interés debe pasarse como valor para el parámetro de dirección. La información de la zona se puede pasar en los parámetros de barrio, ciudad, subregión, región y countryCode.

Nota: Los parámetros postal y postalExt no son entradas válidas para búsquedas de puntos de interés.

Información general¶

Es importante tener en cuenta que en lugar de proporcionar una zona, puede limitar las búsquedas a un área específica utilizando el parámetro searchExtent. También puede influir en la clasificación de los candidatos coincidentes según su proximidad a una ubicación con los parámetros de ubicación y distancia.

Al igual que con las búsquedas de direcciones, la calidad de los resultados de la búsqueda de PDI depende de la cantidad y calidad de la información en la cadena de búsqueda. Si solo busca hoteles sin información de calificación, como la zona, el alcance de la búsqueda o la ubicación, los resultados no serán significativos. Agregar información complementaria a la cadena de búsqueda (cuanto más específica, mejor) resultará en coincidencias más precisas y relevantes.

Nota: Puede haber casos en los que las búsquedas arrojen resultados inesperados. Por ejemplo, una búsqueda de pizza de Nueva York, donde los resultados esperados son pizzerías en la ciudad de Nueva York, puede devolver una coincidencia a un restaurante llamado New York Pizza en Sacramento, California. Esto se debe a que las coincidencias de nombres de lugares exactos reciben una mayor prioridad para aumentar el rendimiento. Si esto ocurre, puede obtener los resultados deseados modificando la cadena de búsqueda; en este caso, una búsqueda de pizza en Nueva York debería producir los resultados esperados.

Nota: La dirección, el número de teléfono y la URL del sitio web de un PDI se pueden devolver al incluir outFields = Place_addr, Phone, URL en la solicitud. Pero no todos los PDI tienen valores de dirección, teléfono y URL asociados.


Crea puntos de control

Cuando georreferencia una imagen, define su ubicación usando las coordenadas del mapa y asigna el sistema de coordenadas del marco del mapa a la imagen. Esto se hace agregando puntos de control que identifican una ubicación en la imagen y su ubicación correspondiente en el mapa base de referencia. La georreferenciación de una imagen permite verla, consultarla y analizarla con sus otros datos geográficos. En esta sección, identificará y agregará varios puntos de control, y seleccionará y aplicará un método de transformación a la imagen.

Para esta lección, se han identificado varias ubicaciones sugeridas para los puntos de control y se han agregado como marcadores. Puede optar por ignorarlos y seleccionar el suyo.

Colocar el panel Marcadores debajo del panel Catálogo permite un fácil acceso a los marcadores desde el panel en lugar de la cinta.

Cuando AutoApply está activo, aplica automáticamente una transformación a la capa de origen y actualiza la visualización a medida que se agregan, eliminan o modifican puntos de control.

La extensión del mapa se actualiza a la ubicación del primer punto de control.

Para agregar un punto de control, primero haga clic en una ubicación en la imagen que está georreferenciando (la capa de origen), luego haga clic en la ubicación en la capa de destino en el mapa (los datos de referencia), que muestra la misma área en el suelo.

Para una vista rápida de su capa de referencia subyacente (en este caso, el mapa base de imágenes), presione la tecla L para activar y desactivar la transparencia de su ráster de origen.

El resultado de su alineación aproximada anterior puede variar y, por lo tanto, la ubicación de la autopista 82 puede parecer diferente en relación con la imagen de origen.

.

Sus valores de Fuente, Mapa y Residual pueden diferir como resultado de la diferencia en la ubicación de su punto de control.

Identifique y agregue la ubicación de destino en la imagen.

Identifique y agregue la ubicación de origen.

Su pantalla puede diferir según la cantidad de puntos agregados y dónde los colocó.

A medida que agrega puntos de control adicionales, el ráster de origen se ajusta y se aplica la transformación. Dependiendo del número de puntos de control agregados, puede elegir entre varios tipos de transformaciones. Estos incluyen transformaciones de polinomio, spline, ajuste, proyectiva y de similitud, que afectan la cantidad de desplazamiento, rotación y deformación aplicada al ráster.

Sus valores de Fuente, Mapa y Residual pueden diferir de estos y se ven afectados por la cantidad de puntos utilizados y la ubicación donde se agregaron.

La transformación polinomial de primer orden se usa comúnmente para georreferenciar una imagen. Utilice una transformación afín o de primer orden para cambiar, escalar y rotar un dataset ráster. Este método de transformación asegura que las líneas rectas en el dataset ráster permanecerán mapeadas como líneas rectas en el dataset ráster de salida. Los cuadrados y rectángulos del dataset ráster se pueden cambiar a paralelogramos de escala arbitraria y orientación angular.

Una vez más, sus valores pueden diferir debido a los valores de Fuente y Mapa X e Y agregados.

Tenga en cuenta los valores de errores RMS totales y tenga en cuenta que su valor puede diferir.

Para cada punto de control, el residuo es la diferencia entre el lugar en el que se muestra el punto desde en el mapa y la ubicación real que se especificó. El error total se calcula tomando la suma de la raíz cuadrada media (RMS) de todos los residuos para calcular el error RMS. El valor describe la precisión con la que el método de transformación elegido puede ajustar todos los diferentes puntos de control a su ubicación especificada. Cuando el error es particularmente grande, puede eliminar y agregar puntos de control para ajustar el error. Sin embargo, un gran error también puede significar que el método de transformación elegido no puede ajustar con precisión los puntos a su ubicación deseada. Sin embargo, si todos los puntos se eligen correctamente y se informa de un error grande, normalmente significa que se requiere una transformación diferente.

El residual directo muestra el error en las mismas unidades que la referencia espacial del marco de datos. El residuo inverso muestra el error en las unidades de píxeles. El residuo inverso hacia adelante es una medida de qué tan cerca está su precisión, medida en píxeles. Los residuos más cercanos a cero se consideran más precisos.

Tenga en cuenta que puede tener más puntos de control ubicados de manera diferente y, como tal, su pantalla puede diferir.

Al utilizar las herramientas de georreferenciación, es importante comprender que el error RMS informado con la transformación se refiere a la capacidad del modelo matemático actual para ajustarse a los puntos de control existentes, pero no informa la precisión de la imagen. Si su proyecto requiere un informe de precisión, debe medir puntos independientes (no se utilizan como puntos de control).

La georreferenciación modifica la forma de los píxeles originales y realiza un proceso de remuestreo de la imagen. Guardar la imagen actualiza y mantiene su información de georreferenciación en un archivo auxiliar asociado. El archivo auxiliar contiene parámetros de transformación para la imagen.

Se recomienda que utilice el botón Guardar al georreferenciar usando puntos de control, no el botón Guardar como nuevo, que crea una nueva versión de la imagen. El uso de Guardar muestra la imagen original en su ubicación georreferenciada cada vez que se carga en ArcGIS. Guardar genera un archivo * .aux.xml con el método de transformación y los puntos de control, que se puede editar más adelante si es necesario agregando más puntos de control (o eliminando un punto de control incorrecto).

Si se requiere un nuevo archivo de imagen, use la opción Guardar como nuevo. Esto puede ser necesario si necesita proporcionar la imagen georreferenciada a un usuario de otro paquete de software, pero tenga en cuenta que al usar Guardar como nuevo se duplica el volumen total de datos. Además, si se detectan áreas de registro deficiente y se agregan nuevos puntos de control en el futuro, se debe crear otra copia del archivo. Por estas razones, si está trabajando solo en ArcGIS, se recomienda Guardar en lugar de Guardar como para escribir un nuevo archivo.

Revise la imagen transformada y observe que para áreas relativamente planas, la transformación de primer orden proporciona resultados adecuados. Sin embargo, en áreas que son notablemente montañosas, un tipo de transformación diferente proporcionará mejores resultados.

En esta sección, aplicó una transformación polinomial de primer orden a la imagen. En la siguiente sección, comparará los resultados de una transformación polinomial de primer orden con los resultados de una transformación spline.


Recuentos y cantidades (color)

Si tiene datos numéricos, es posible que desee distinguir características según una rampa de color. Se pueden utilizar diferentes tipos de rampas de color; por ejemplo, una rampa de color simple de claro a oscuro es buena para mostrar valores de datos de bajos a altos, como la edad, los ingresos o la proporción. Las rampas de color como esta se pueden aplicar a puntos, líneas o polígonos. Por ejemplo, puede utilizar una rampa de color claro a oscuro para representar la relación entre el área de tierras de cultivo y el área de tierras en general, de menor a mayor, por condado.

Para diseñar recuentos y cantidades usando color, haga lo siguiente:

  1. Siga los primeros cuatro pasos del flujo de trabajo de cambio de estilo.
  2. Elija un atributo para mostrar. Para este estilo de mapeo, elija un atributo que contenga valores numéricos.
  3. Haga clic en el estilo Recuentos y cantidades (color) y haga clic en Opciones.
  4. Realice una de las siguientes acciones:
    • Si sus datos aún no están normalizados o estandarizados, use Dividir por para convertir sus datos sin procesar en tasas o porcentajes. Los ejemplos de datos normalizados incluyen X per cápita, Y por kilómetro cuadrado o una relación de xay. Los recuentos en bruto, en comparación, se visualizan mejor con colores después de estandarizarlos.
    • Elija un tema para la rampa de color. Hay disponibles varios temas de colores diferentes: de mayor a menor, de arriba y de abajo, de extremos y centrado. Cada uno cuenta una historia diferente al hacer coincidir los colores con los datos de diferentes maneras.
    • Para cambiar cómo se aplica la rampa de color a los datos, ajuste los controladores delimitadores a lo largo de la rampa de color. Puede arrastrar el identificador o hacer clic en el número al lado del identificador y escribir un valor preciso. Experimente con la posición de los mangos y use el histograma y el promedio calculado comprender la distribución de los datos para afinar el mensaje del mapa.
    • Para elegir una rampa de color diferente o para cambiar otros parámetros gráficos, como el grosor y los colores de los trazos, haga clic en Símbolos y elija la configuración que desee. Para obtener más información, consulte Cambiar símbolos.
    • Para ver los detalles en el histograma más de cerca, haga clic en Acercar.
    • Para generalizar aún más su mapa, marque Clasificar datos, elija el método de clasificación y el número de clases, o si usa la desviación estándar, elija el intervalo. También puede hacer clic en Leyenda para editar manualmente los símbolos y etiquetas de las clases en la leyenda del mapa.
    • Si está mapeando símbolos de puntos, tiene la opción de rotar símbolos basándose en un segundo campo numérico. Por ejemplo, el color de los puntos podría representar la temperatura del aire en las estaciones meteorológicas, mientras que la rotación de los puntos representa la humedad. El símbolo predeterminado es redondo, lo que no representa muy bien la rotación. Lo mejor es elegir una forma diferente.
    • Para dibujar ubicaciones con datos faltantes en el mapa, marque Dibujar entidades sin valores. Desmarque para ocultar las funciones.
    • Para calcular y establecer el rango visible óptimo, haga clic en Sugerir junto al control deslizante Rango visible. También puede configurar manualmente el rango visible.
    • Para cambiar la transparencia, mueva el control deslizante Transparencia hacia la izquierda (menos transparente) o hacia la derecha (más transparente). Para ajustar la transparencia de los recuentos y las cantidades por función, haga clic en Valores de atributo, elija un campo de atributo y, si lo desea, elija un atributo para dividir (para normalizar los datos) y establezca valores de transparencia precisos. Solo puede ajustar por función si tiene datos numéricos asociados con sus ubicaciones. Por ejemplo, si su capa contiene datos de población, podría ajustar la transparencia de cada ubicación proporcionalmente a su población.

¿Agregar parámetros adicionales a la clasificación de imágenes en ArcGIS for Desktop? - Sistemas de Información Geográfica

1. Cree una carpeta llamada Image_process. En equipos DIA 322, es posible que desee crear esta carpeta en la carpeta Documentos de su usuario (por ejemplo, C: Users jdoe Documents Image_process). En las computadoras DIA 222, es posible que desee crear esta carpeta en la unidad D: en D: número de curso nombre de usuario (por ejemplo, D: ES212 jdoe Image_process).

2. Descarga los datos de este ejercicio y descomprime el contenido de Image_process.zip archivo a su recién creado Image_process directorio.

La teledetección hace posible estudiar áreas más grandes, en menos tiempo y con menos recursos que los que se podrían lograr con un estudio de superficie. Las imágenes generadas por sensores a bordo de aeronaves o plataformas satelitales se pueden utilizar para estudiar la productividad acuática o terrestre, la composición de especies de la comunidad de fitoplancton, humedales, geología, temperaturas de la superficie, incendios forestales, hielo marino, accidentes geográficos y mucho más. Sin embargo, la información contenida en estas imágenes no se puede interpretar de inmediato, y es necesaria cierta formación para interpretar los diferentes tipos de imágenes.

En este ejercicio utilizará imágenes satelitales del área de Waterville adquiridas del satélite Landsat 7 ETM + el 9/10/2002. El satélite Landsat 7 ETM + genera y pone a disposición imágenes tomadas por sensores de imágenes que orbitan a unos 700 km sobre la superficie de la tierra. El Enhanced Thematic Mapper (ETM +) en Landsat tiene un poder de resolución de aproximadamente 30 metros y puede distinguir características en la superficie de la tierra a 30 metros de distancia. Requiere 233 órbitas durante un período de 16 días para cubrir la mayor parte de la superficie terrestre. Cada imagen es casi cuadrada y cubre aproximadamente 10,000 millas cuadradas de la superficie del planeta.

Experimentarás con las herramientas de clasificación supervisadas y no supervisadas de ArcGIS e intentarás extraer 5 clases distintas de cobertura terrestre. El Analista espacial Se necesita una extensión para acceder a las herramientas de clasificación.

Haga clic en el Ventanas en la esquina inferior izquierda de su escritorio, haga clic en Todos los programas, gastar el ArcGIS carpeta y haga clic en ArcMap 10.X.

En el ArcMap - Introducción ventana, haga clic en Busque más. Aparecerá una ventana de administración de archivos. Navegue a su carpeta de datos (por ejemplo, D: nombre_de_seguridad Proceso_de_imagen ) y abra Map.mxd.

A continuación, habilitará el Analista espacial extensión que nos permitirá utilizar las funciones de clasificación de imágenes.

En el menú principal, vaya a Personalizar extensiones & gt & gt .

Si aún no está marcado, marque el Analista espacial extensión.

Hacer clic Cerrar para cerrar la ventana Extensiones.

A continuación, iniciará la barra de herramientas Clasificación de imágenes. Utilizará funciones de esta barra de herramientas para clasificar imágenes en pasos posteriores.

En el menú principal, vaya a Personalizar & gt & gt Barras de herramientas y seleccione Clasificación de imágenes .

Hay diferentes bandas que comprenden los datos ráster de Landsat 7 ETM +. Cada banda cubre un ancho de banda diferente y, por lo tanto, extrae información diferente de la misma ubicación. Consulte la siguiente tabla para obtener una descripción de cada banda.

La capa Landsat de 2002 en el TOC no tiene la banda pancromática. Se almacena como un archivo separado en la carpeta de su proyecto debido a su resolución espacial más fina. Agregará esta capa por separado en un paso posterior.

Puede elegir qué bandas asignar a los canales rojo, verde y azul de la pantalla.

Botón derecho del ratón en la capa de Landsat en el TOC y seleccione Propiedades.

Selecciona el Simbología pestaña.

Asignar diferentes bandas (identificadas como Layer_XX en la ventana de selección de banda) a cada canal rojo, verde y azul y observe el resultado en el Vista de datos ventana.

A continuación, se muestran algunos ejemplos de combinaciones de bandas:

· Crea una imagen de 'color natural' a partir de las bandas visibles

· Análisis detallado de vegetación y cultivos

· Estudios urbanísticos y de ordenamiento territorial

· Análisis de la humedad del suelo y las condiciones de la vegetación

· Ubicación de masas de agua continentales y límites tierra / agua

· Análisis de las condiciones de humedad del suelo y la vegetación

· La vegetación aparece en tonos de verde

· Separación del uso del suelo urbano y rural

· Identificación de límites tierra / agua

· Detección de nubes, nieve y hielo

· Especialmente utilizado en altas latitudes

Cuando termine de experimentar con las diferentes combinaciones de bandas, vuelva a una combinación de 3, 2, 1 bandas (es decir, las bandas de "colores naturales").

Con la herramienta de zoom, amplíe la imagen hasta que los píxeles individuales se distingan entre sí.

Seleccione la herramienta de medición de la barra de herramientas.

Si las unidades de distancia no están en metros, cambie las unidades de medida a metros:

Mide el ancho de la distancia de un píxel.

Debe ser de aproximadamente 30 metros, lo que hace que el área de la celda sea de unos 900 metros cuadrados.

La banda 8 de Landsat produce una imagen con píxeles de 15 metros. Combinará esta banda con las bandas "más gruesas" para crear un ráster "visualmente mejorado".

Haga clic en el Agregar datos icono en la barra de herramientas.

Expanda la conexión de la carpeta superior en la ventana Agregar datos.

En la carpeta de conexión login_name Image_process, agregue Pan_2002.img.

Debido a que se trata de una capa de una sola banda, solo se utilizan escalas de grises para simbolizar los datos pancromáticos.

A continuación, fusionará este ráster pancromático con la capa multibanda Landsat_2002 para crear una capa ráster espacialmente mejorada.

Si ArcToolbox aún no está abierto, haga clic en el icono de Arctoolbox en la barra de menú.

En el Caja de herramientas expandir Herramientas de gestión de datos y gt y gt Raster y gt y gt Raster Processing y haga doble clic Crear un conjunto de datos ráster con nitidez panorámica.

Antes de continuar, siempre es útil comprender qué una herramienta de geoprocesamiento lo hace exactamente. La herramienta de nitidez panorámica de ArcGIS utiliza el ráster pancromático de mayor resolución para estimar cómo se vería un ráster multiespectral de mayor resolución. La imagen pancromática de Landsat abarca tres bandas, el rojo verde y el infrarrojo cercano. De ello se deduce que la intensidad radiométrica de la banda pancromática debe ser muy cercana a la suma de los valores radiométricos de las tres bandas. Sin embargo, la sensibilidad de la banda pancromática a las tres bandas no es uniforme como se puede ver en la siguiente figura:

Podemos usar esta información para estimar cuáles son los valores de las bandas verde, roja e infrarroja cercana a un tamaño de píxel más pequeño. La idea general detrás de este proceso se ilustra en el siguiente gráfico:

Sin embargo, como se señaló anteriormente, la contribución radiométrica de cada banda a la señal pancromática general no es uniforme. Esta propiedad de la banda pancromática se puede tener en cuenta aplicando un peso a cada banda (ver aquí para más detalles).

NOTA: A partir de la versión 10.2, Arcmap parece requerir que la salida con nitidez panorámica se guarde en una geodatabase; guardar la salida como un archivo .img o .tif produce un ráster de resolución idéntica al ráster multibanda de entrada. En el siguiente paso, se le pedirá que guarde el archivo ráster de salida en una geodatabase ubicada en la carpeta de su proyecto de trabajo.

En el Crear un conjunto de datos ráster con nitidez panorámica ventana de herramientas, complete los campos como se ilustra a continuación. Nombra la salida PanSharp (guárdelo en el Landsat.gdb). Los pesos ingresados ​​en los últimos cuatro campos reflejan la sensibilidad de la banda pancromática a las bandas más estrechas (tenga en cuenta que la banda azul no contribuye a la señal pancromática). Además, tenga en cuenta que los pesos de banda que utilizará difieren de los valores predeterminados asignados por ArcMAP.

Hacer clic OK para ejecutar el geoproceso.

Amplíe un área hasta que los píxeles individuales se puedan distinguir entre sí.

Alternar entre la capa con nitidez panorámica y la capa multiespectral original. Note la diferencia en la resolución espacial.

La nueva trama con nitidez panorámica puede parecer granulada. Para remediar esto, puede cambiar las propiedades de la capa configurando el Mostrar parámetros como se muestra en la siguiente figura.

Es posible que también desee cambiar el Simbología estirar tipo a Desviaciones estandar.

El reconocimiento de patrones es la ciencia (y el arte) de encontrar patrones significativos en los datos, que se pueden extraer mediante la clasificación. Al mejorar espacial y espectralmente una imagen, el reconocimiento de patrones se puede realizar con el ojo humano, el cerebro humano clasifica automáticamente ciertas texturas y colores en categorías.

En un sistema informático, el reconocimiento de patrones espectrales (bandas) puede ser más científico. Las estadísticas se derivan de las características espectrales de todos los píxeles de una imagen. Luego, los píxeles se ordenan según criterios matemáticos. El proceso de clasificación se divide en dos partes: entrenamiento y clasificación (usando una regla de decisión).

Primero, el sistema informático debe estar capacitado para reconocer patrones en los datos. La formación es el proceso de definir los criterios por los que se reconocen estos patrones. La capacitación se puede realizar con un método supervisado o no supervisado.

Entrenamiento no supervisado está automatizado por computadora. Le permite especificar algunos parámetros que utiliza la computadora para descubrir patrones estadísticos que son inherentes a los datos. Estos patrones no corresponden necesariamente a características directamente significativas de la escena, como áreas contiguas y fácilmente reconocibles de un tipo de suelo o uso de la tierra en particular. Son simplemente grupos de píxeles con características espectrales similares. En algunos casos, puede ser más importante identificar grupos de píxeles con características espectrales similares que clasificar los píxeles en categorías reconocibles.

El entrenamiento sin supervisión depende de los datos en sí para la definición de clases. Este método se usa generalmente cuando se sabe menos sobre los datos antes de la clasificación. Entonces es responsabilidad del analista, después de la clasificación, dar significado a las clases resultantes. La clasificación no supervisada es útil solo si las clases se pueden interpretar adecuadamente.

En la barra de herramientas de Clasificación de imágenes (debería haber agregado esta barra de herramientas en el Paso 1), seleccione Clasificación y clasificación no supervisada del clúster Iso gt & gt.

En la ventana Clasificación no supervisada, seleccione landsat_2002.img como capa de datos de entrada (este es el ráster original, no el con nitidez panorámica), establezca el número deseado de clases en 5y establezca la imagen de salida en D: nombre_de_usuario RS2 unsup_class.img.

Hacer clic OK para ejecutar el geoproceso de clasificación.

Se agregará una nueva capa de datos a su TOC. Esta capa es un ráster discreto con 5 códigos únicos.

Intente identificar los tipos de clases y asigne un esquema de color adecuado. Puede cambiar los esquemas de color y las etiquetas haciendo doble clic en cada muestra de color individual de la capa unsup_class en la tabla de contenido.

Su evaluador clasificado puede verse así:

El geoproceso de clasificación no supervisado hace un trabajo decente al discriminar entre categorías principales como agua, urbano y vegetación, pero parece tener dificultades para separar las diferentes categorías de vegetación (o "verde"). Podemos mejorar este proceso de clasificación "entrenando" la herramienta de clasificación utilizando un conocimiento a priori de las características geográficas subyacentes.

En el entrenamiento supervisado, usted confía en sus propias habilidades de reconocimiento de patrones y en el conocimiento a priori de los datos para ayudar al sistema a determinar los criterios estadísticos (firmas) para la clasificación de datos. Para seleccionar muestras confiables, debe conocer cierta información, espacial o espectral, sobre los píxeles que desea clasificar.

La ubicación de una característica específica, como un tipo de cobertura terrestre, puede conocerse mediante la verificación del terreno. La verdad sobre el terreno se refiere a la adquisición de conocimientos sobre el área de estudio a partir del trabajo de campo, el análisis de fotografías aéreas, la experiencia personal, etc. Los datos de verdad sobre el terreno se consideran los datos más precisos (verdaderos) disponibles sobre el área de estudio. Idealmente, deberían recopilarse al mismo tiempo que los datos de detección remota.

En la barra de herramientas Clasificación de imágenes, asegúrese de que Landsat_2002.img está seleccionado y haga clic en Gestor de muestras de formación.

La ventana Training Sample Manager le permite delinear e identificar características conocidas. Luego, el clasificador de imágenes usa esta información para ajustar su geoproceso de clasificación.

En la barra de herramientas de Clasificación de imágenes, haga clic en el Dibujar muestra de entrenamiento con polígono icono.

A continuación, dibuja algunos polígonos que delimiten los cuerpos de agua dentro de la escena. Asegúrese de no cubrir ninguna característica de la tierra.

Siguiente, seleccionado todos polígonos de agua (mientras mantiene presionada la tecla ctrl) y luego haga clic en Unir para agrupar todos los polígonos de agua en una sola clase.

Nombra la nueva clase agua y asígnele un azul color haciendo clic en su muestra de color.

Siga estos mismos pasos para crear urbano, bosque, campo abierto y humedales muestras de entrenamiento.

A continuación, se muestra un ejemplo del aspecto que podrían tener sus sitios de formación:

A continuación, en la barra de herramientas Clasificación de imágenes, seleccione Clasificación supervisada interactiva.

Debería notar una mejora en la clasificación general.

Tenga en cuenta que este puede ser un proceso iterativo mediante el cual modifica las clases de capacitación según sea necesario para mejorar cada proceso de clasificación supervisado.

Siéntase libre de modificar / agregar clases de capacitación según sea necesario. No olvide volver a ejecutar la clasificación después de cambiar las clases.

La imagen clasificada resultante del geoproceso de clasificación supervisada es solo una capa temporal dentro del documento de mapa. Si desea que esta capa sea un ráster permanente, debe exportarla.

Botón derecho del ratón en Classification_Landsat_2002.img y seleccione Datos & gt & gt Exportar datos.

Establezca el espacio de trabajo de salida en D: login_name Image_process (o donde se encuentre su carpeta de trabajo) y asigne un nombre a la salida sup_class.img (asegúrese de seleccionar IMAGINE como formato de archivo de datos).

Por su cuenta, clasifique las características en el subconjunto de imágenes de satélite GeoEye-1. Tenga en cuenta que GeoEye tiene menos bandas que Landsat, pero tiene una resolución espacial más fina.

Los datos de GeoEye se pueden descargar desde aquí (guarde los datos en la carpeta de su proyecto actual).

Manuel Gimond, última modificación el 22/8/2013


Parche de formato ráster de ArcGIS 10 (Desktop, Engine, Server)

Este parche soluciona un problema de desalineación para ciertas imágenes TIFF y un problema de navegación lenta si existe una gran cantidad de datasets ráster en una carpeta.

  • Introducción
  • Problemas resueltos con este parche
  • Archivos instalados en este parche
  • Instalación de este parche en Windows
  • Actualizaciones de parches
  • Cómo identificar qué parche está instalado
  • Obteniendo ayuda

Introducción

ESRI & reg anuncia el parche de formato ráster de ArcGIS 10 (Desktop, Engine, Server). Este parche soluciona un problema de desalineación para ciertas imágenes TIFF y un problema de navegación lenta si existe una gran cantidad de datasets ráster en una carpeta. El parche trata específicamente el problema que se enumera a continuación en Problemas resueltos con este parche.

Problemas resueltos con este parche

    NIM058922: el uso de una configuración regional delimitada por comas causa problemas al mostrar ciertas imágenes TIFF en ArcGIS 10.

Archivos instalados en este parche

    Directorio de instalación de productos Windows & ltArcGIS & gt bin:

Instalación de este parche en Windows

ArcGIS 10.0 debe estar instalado antes de poder instalar este parche.

  1. Descargue el archivo apropiado en una ubicación que no sea la ubicación de instalación de ArcGIS.

NOTA: Si al hacer doble clic en el archivo MSP no se inicia la instalación del parche, puede iniciar la instalación del parche manualmente usando el siguiente comando:

  • Administradores del sistema - Hay un documento técnico disponible que analiza la implementación empresarial de las configuraciones de ArcGIS 10 utilizando Microsoft & reg Systems Management Server (SMS) y la Política de grupo, incluidos los requisitos adicionales del sistema, sugerencias, problemas conocidos y parámetros de línea de comandos de instalación de software de Microsoft (MSI). También se cubre la implementación en un entorno de bloqueo. Implementación de ArcGIS 10 Enterprise.

Actualizaciones de parches

Consulte el Centro de soporte en línea periódicamente para conocer la disponibilidad de parches adicionales. Aquí se publicará nueva información sobre este parche.

Cómo identificar qué parche está instalado

Para saber qué productos ArcGIS están instalados actualmente en su máquina, descargue la utilidad PatchFinder y ejecútela desde su máquina local.

Obteniendo ayuda

Sitios nacionales, comuníquese con el Soporte técnico de ESRI al 1-888-377-4575, si tiene alguna dificultad para instalar este Service Pack. Sitios internacionales, póngase en contacto con su distribuidor de software ESRI local.


Análisis de imágenes histopatológicas

Oscar Jiménez-del-Toro,. Manfredo Atzori, en Análisis biomédico de texturas, 2017

10.4.3.2 Clasificación de imágenes

A diferencia de la detección de mitosis, los desafíos de clasificación de imágenes han utilizado diferentes enfoques de evaluación para clasificar los algoritmos de los participantes. La clasificación puede ser binaria, cuando los algoritmos tienen que decidir si una imagen contiene un tumor / metástasis o no ( p.ej., CAMELYON16). De lo contrario, la clasificación puede ser multiclase cuando los algoritmos tienen que calificar el estadio patológico de una imagen (p.ej., TUPAC16). En algunos casos los desafíos referidos también solicitan la probabilidad con la que los enfoques califican cada caso (p.ej., CAMELYON16) or measure the agreement between the algorithm classification and the pathologist-generated ground truth (p.ej., TUPAC16). The proposed evaluation strategies include:

A points based scheme for nuclear atypia scoring (MITOS-ATYPIA-14).

Area under a receiver operating characteristic (ROC) curve for the discrimination of lymph node slides containing metastasis or not (CAMELYON16).

Agreement with ground truth measured with quadratic weighted Cohen's kappa or Spearman's correlation coefficient for breast cancer grading (TUPAC16).

The quadratic weighted Cohen kappa is defined as

where p i j : observed probabilities, e i j = p i j q i j : expected probabilities and w i j : weights (with w i j = w j i ).