Massima verosimiglianza¶
Il modulo effettua la classificazione di immagini o vettori usando l’algoritmo di classificazione supervisionata Massima Verosimiglianza. Il classificatore a massima verosimilglianza é un classificatore parametrico supervisionato che assume una distribuzione gaussiana dei valori dei pixel all’interno di una classe. La classificazione avverrà in tre passaggi: 1) partendo dalle aree di training il classificatore stima la media e la varianza di ogni classe. Nel caso di dati multidimensionali si avrà un vettore di medie 1xN (con N = numero di bande) e una matrice di covarainza (NxN) per ogni classe.; ii) una funzione di tipo gaussiano viene definita per ogni classe partendo dalle medie e dalle varianze stimate al passaggio precedente; e iii) per ogni pixel dell’immagine da classificare si ottiene un valore della funzione gaussiana di ogni classe e si sceglie la classe che fornisce il valore più alto.
Gli input al classificatore sono un file vettoriale contente una colonna con l’indicazione della classe in formato numerico (1,2,...,N), e (opzionale) l’indicazione delle feature (attributi del vettore) da usare nella classificazione. Se le feature non sono già contenute nel file vettoriale dovrà essere data in input un’immagine raster da cui estrarre i valori delle feature. L’utente potrà anche inserire un vettoraile da usare nella fase di validazione.
Warning
Ogni classe deve avere un numero di pixel superiore al numero totale di feature. Se questo vincolo non è soddisfatto il classificatore si blocca a acusa della non invertibilità della matrice di covarianza della classe il cui numero di campioni è limitato. Questo problema si può evitare riducendo il numero di feature o aumentando il numero di campioni.
Input¶
Dati di input vettoriale: file vettoriale contente le aree di training e l’indicazione delle classi.
Seleziona la colonna con indicazione della classe: selezionare tra le colonne del file vettoriale quella che indica le classi.
Dati di input raster (opzionale): immagine da cui estrarre le feature e da classificare (opzionale).
Parametri¶
Effettuare la cross validation: se scelto viene effettuata la cross validation sul file di training.
Selezionare il numero di fold della cross validation maggiore di 2: inserire il numero di subset in cui verrà diviso il training set nella cross validation. Deve essere maggiore o uguale a 2. Dato N il numero di fold, il classificatore a rotazione verrà allenato con N-1 subsets e validato sul subset rimanente. L’accuratezza finale sarà la media delle N accuratezze.
Selezione feature:
- no: nessuna selezione delle feature.
- manuale: le feature vengono selezionate manualemnte.
- file: le feature sono scelte in base al file di output del modulo “Selezione feature per la classificazione”.
Seleziona le bande da utilizzare cliccandoci sopra (opzionale): selezionare le bande da utilizzare. Se non si seleziona nulla vengono usate tutte le bande.
File di selezione (opzionale): inserire il file ottenuto in output dal modulo “Selezione feature per la classificazione”. Attivato solo se l’opzione “file” viene scelta nel menu “selezione feature”.
Vettoriale di validazione (opzionale): file vettoriale contenente le aree di validazione e l’indicazione delle classi.
Seleziona la colonna per la validazione (opzionale): selezionare tra le colonne del file vettoriale quella che indica le classi.
Creare output: se selezionato verrà creato il file di output in formato ”.tif”.
Output¶
Risultato: inserire il percorso e il nome del file di output in formato ”.tif”. Se viene effettuata una validazione (tramite cross-validation o file vettoriale) verrà creato anche uno (o due) file ”.csv” contente/i le statistiche di accuratezza.