Использование консольного DTclassifier для классификации растровых данных и анализа изменений

Эта страница является черновиком статьи.

Описание и примеры использования консольной версии DTclassifier для классификации растровых данных.

DT classifier простой в использовании и эффективный плагин для классификации растровых изображений Декстопная версия расширения входит в дистрибутив QGIS-NextGIS[1]. Расширение использует метод деревьев решений реализованный на основе библиотеки OpenCV. Подробнее о работе расширения написано здесь [2].

Плагин имеет удобный графический интерфейс, но для некоторых задач, например, для встраивания алгоритмов классификации в workflow обработки изображений или для анализа большого количества данных удобнее использоывать консольную версию плагина. Что и было реализовано командой NextGIS

Создано в

Веб ГИС для вашей организации по доступной цене

Получение и установка

Расширение доступно как в виде исходного кода C++, так и в бинарной форме.

Бинарная сборка

Для работы с программой в ОС Windows можно пойти двумя путями:

• загрузить и установить NextGIS QGIS версии 15.4.88 или выше, DTClassifier включен в дистрибутив.

или

• загрузить и установить QGIS версии 2.8 или выше (подробнее)
• загрузить архив с расширением и необходимыми библиотеками
• извлечь содержимое архива в каталог модулей QGIS (обычно это C:\OSGeo4W\apps\qgis-dev\plugins и C:\OSGeo4W\bin)

После установки, в окне OSGeo4W shell наряду с другими функциями (GDAL) и (OGR) появится функция classifier.

(картинка)

Исходный код

Исходный код модуля (лицензия GNU GPL v2) можно получить через репозиторий на GitHub, или выполнив команду:

git clone git@github.com:nextgis/dtclassifier.git

Тестовые данные

Загрузить архив c данными, использовавшимися при подготовке статьи (... Мб).

Работа с расширением

Синтаксис расширения включает несколько обязательных параметров и ряд дополнительных, расширяющих функциональность приложения.

(картинка)

classifier

-запуск расширения

--input_rasters

пути к растровым данным (ВАЖНО! необходимо указывать полные пути к файлам) разделенные пробелом

--presence 

векторные слои объектов-мишеней (target) т.е. объекты которые нужно выделить при анализе

--save_points 

- сохраняет точки полученные из обучающих данных в виде шейп файла с атрибутивнлой таблицей значений растров

--absence

векторный слой фоновых объектов (background), т.е. объекты от которых нужно отделить объекты -мишени

--save_model

сохранить модель (дерево решений или модель random forest) в файл (.aml)

--use_model

использовать существующую модель (ВАЖНО! количество и порядок каналов должен быть таким же как при создании модели, иначе результат будет некорректным)

--classify

путь для сохранения результата классификации

--use_decision_tree

использовать дерево решений (по умолчанию используется random forest)

--generalize

размер окна для генерализации (median)

--load_points

использовать существующие точки для создания модели и классификации!!! еще нет..

Примеры использования

Цель: Классифицировать изменения лесного покрова двух временных срезов Landsat для нескольких path/row