Documente Academic
Documente Profesional
Documente Cultură
¿Cómo se aplica?
El algoritmo que utiliza la herramienta Clasificación de máxima verosimilitud se basa en dos
principios:
Las celdas en cada muestra de clases del espacio multidimensional que se distribuyen
normalmente
Al elegir la opción Muestra a priori, las probabilidades a priori asignadas a todas las muestras
de clases en el archivo de firma de entrada son proporcionales a la cantidad de celdas
capturadas en cada firma. Por consiguiente, las clases que tienen menos celdas que el
promedio en la muestra reciben pesos menores que el promedio, y las que tienen más celdas
reciben pesos mayores que el promedio. Como resultado, las clases respectivas tienen más o
menos celdas asignadas.
Ejemplo
A partir de la imagen, se definieron cinco clases de uso del suelo en una entidad para producir
las muestras de formación: Comercial/Industrial, Residencial, Tierras de cultivo, Bosque y
Pastos. Se utilizó la herramienta Crear firmas para calcular las estadísticas para las clases a fin
de producir un archivo de firmas.
Articulo
3.1. Análisis de las características del algoritmo.
La operación global y la operación local de MLC deben distinguirse para hacer la
implementación del algoritmo más eficaz.
A lo largo de toda la clasificación, este procedimiento se considera una operación global y debe
ejecutarse solo una vez.
(2) Paso de clasificación. Se ejecuta sobre la base de una función discriminante. Este
procedimiento puede ser ejecutado. Simultáneamente, lo que significa que es capaz de tratar
con numerosas imágenes en paralelo.
se implementan, incluido un nodo maestro y seis nodos secundarios. Mientras tanto, la red
estándar de intercambio de Ethernet de 1000 MB
Se utiliza para lograr interacciones entre nodos. Cada nodo está configurado con un
procesador de 3,00 GHz, 2 GB de memoria,
La imagen detectada utilizada en los datos de este estudio es la imagen Landsat-4 TM que se
capturó en septiembre de 2006. Contiene seis Bandas espectrales (banda 1 banda 5, banda 7)
con resolución espacial de 30 m. El volumen de datos es 94.4 MB (3442 filas × 4782 columnas).
ENVI 4.5 se utiliza para seleccionar muestras de capacitación para cada clase en forma de ROI
(regiones de interés). Despues estan ellos exportados como archivos Shape de ESRI y abiertos
en ArcGIS 9.2 para obtener las áreas y las coordenadas del centro que se registran en el XML
archivo uno por uno. Y así se aporta la biblioteca de muestra.
Análisis de eficiencia
El MLC se logra tanto en el entorno independiente como en el entorno de red con la ayuda de
una muestra de capacitación
Sun, J., Yang, J., Zhang, C., Yun, W., & Qu, J. (2013). Automatic remotely sensed image
classification in a grid environment based on the maximum likelihood method. Mathematical
and Computer Modelling, 58(3-4), 573-581.