学习笔记：PIE-Engine监督分类

最新推荐文章于 2024-08-07 22:37:57 发布
最新推荐文章于 2024-08-07 22:37:57 发布
阅读量7.2k 收藏 53
点赞数 13
分类专栏： PIE-Engine 文章标签： 分类 javascript
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/vegeta_bird/article/details/121814222
版权
本文详细介绍了使用PIE-Engine进行监督分类的过程，包括绘制训练区、样本点采样、监督分类和精度评价。通过代码示例解析了如何使用PIE的绘点工具、sampleRegions函数、Classifier.rTrees进行监督学习，并展示了精度评估的方法。
摘要由CSDN通过智能技术生成

官网的教程太简单，在这里补充一下。

一、核心内容说明

1、绘制训练区

说明：这里直接利用PEE自带的绘点工具即可，无需其他代码

（1）绘制样本点

 绘制样本点的规则和ENVI一样，但在这里要注意一个图层只能绘制一种类型的样本（比如都是水体）

（2）样本点转要素集

 

别忘了点保存 

 

 这里要说明一下，属性名称指的是这个地物的面积，种类，高度等（在本次说明中指得是roi样本点的种类），属性值指的是100㎡，第一种，10m等（在本次说明中指得是roi样本点的种类：水体）。属性值只能以数字形式表示，不然计算系统无法识别。

这里是绘制结果

最低0.47元/天 解锁文章
交院遥感菜菜
关注
专栏目录
【PIE-Engine Studio学习笔记05】图像分类——非监督分类
Lee大哲博客
04-07 3539
【PIE-Engine Studio学习笔记05】图像分类——非监督分类
PIE-engine机器学习监督分类
qq_44717133的博客
04-10 544
1.监督分类 又称训练场地法，训练分类法 是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类，根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数对各待分类影像进行的图像分类。 分有 正态贝叶斯分类、支持向量机分类、随机森林分类、K最近邻分类、决策树分类 1）正态贝叶斯分类 Normal Bays Classifier 可以处理特征值是连续数值的分类问题，核心对象是pie.Classifier.normalBayes 2)支持向量机分类 Supprot Vector
Google Earth Engine采样函数，可以考虑弃用sampleRegions函数了
最新发布
adhuahd的博客
08-07 437
很显然，sampleRegions函数的功能就是：将与一个或多个区域相交的图像中的每个像素（在给定的比例尺下）转换为一个要素，返回一个要素集合（FeatureCollection）。最近在准备gee学习室的暑假课程，在筹备基础课程内容的时候，发现了一个之前没有注意到的问题，其中主要涉及一个函数，这个函数的功能存在一定的缺陷，其主要问题是运行速度慢、效率低，这一缺陷（几乎）影响99%的用户。也就是说，在三个波段情况下，是可以采样得到近13000个样本点的数据的。此外，geeAI前沿哨创建了多个学习交流群，
PIE Engine机器学习遥感影像监督分类全流程（附源码）
热门推荐
极限突破者的博客
06-10 2万+
本文中，作者基于PIE Engine遥感云计算平台进行遥感影像监督分类，详细介绍了遥感影像分类的数据预处理、模型训练及结果可视化。
【PIE-Engine Studio学习笔记06】图像分类——监督分类
Lee大哲博客
04-16 5834
一、图像分类含义 图像分类是将图像中每个像元根据其在不同波段的光谱亮度、空间结构特征或者其他信息，按照某种规则或算法划分为不同的类别。 基于光谱特征的遥感影像分类方法主要包括： 非监督分类，见【PIE-Engine Studio学习笔记05】图像分类——非监督分类 监督分类 此章节重点讲解监督分类 二、监督分类含义 ......
PIE SDK K-Means分类
weixin_34343308的博客
01-03 110
1.算法功能简介 K-Means 算法的基本思想是：以空间中 k 个点为中心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。 算法首先随机从数据集中选取 K 个点作为初始聚类中心，然后计算各个样本到聚类中的距离，把样本归到离它最近的那个聚类中心所在的类。计算新形成的每一个聚类的数据对象的平均值来得到新的聚类中心，如果相邻两次的聚类...
PIE-engine 教程 ——随机森林监督分类案例（河北安国市为例）
此星光明博客
09-29 2510
这里大家需要注意的是，因为在这里并没有进行影像的计算，而是直接从云端调用已经裁剪和设定好的影像，所以这里并不能更换研究区，如果想要进行研究区的更换，需要自己重写sentinel影像以及NDVI的计算。本次举一个简答的案例，通过对一个县级市进行监督分类采样，然后进行耕地、林地、园地和其它的划分，除此之外，我们还需要掌握随机样本点的采集，混淆矩阵以及精度计算等问题。分类后影像进行平滑去噪处理，这里默认用到的半径为3。进行监督分类，返回结果为分类后的影像。计算采用的单位，默认为pixel。
【PIE-Engine Studio学习笔记09】图像分类—监督分类之样本绘制
Lee大哲博客
09-26 700
之前跟大家介绍过，通过其他软件绘制样本，然后导入到PIE-Engine studio平台上作为监督分类的训练样本，这次跟大家分享，直接在平台上进行样本的绘制。
TensorFlow北大公开课学习笔记8-复现vgg16并实现图片识别
qq_37791134的博客
11-06 3731
https://www.cs.toronto.edu/~frossard/post/vgg16/ 】img_ready = re_img.reshape((1, 224, 224, 3)) ValueError: cannot reshape array of size 200704 into shape (1,224,224,3)因为图片是四通道的，为啥？224*334*4=200704 ...
echarts学习笔记
a432qbc的博客
06-03 616
var myChart = echarts.init(document.getElementById('main')); // 显示标题，图例和空的坐标轴 myChart.setOption({ title: { text: '异步数据加载示例' }, tooltip: {}, legend: { data:['销量'] }, xAxis: { data: [] }, yAxis: {},
UE5新功能个人学习笔记
AliceX666的博客
11-03 1528
UE5新功能个人笔记
PIE SDK 距离分类和最大似然分类
weixin_34306593的博客
04-17 442
1.算法功能简介 　　监督分类，也叫训练场地法、训练分类法，是遥感图像分类的一种，用被确认类别的样本像元去识别其他未知类别像元的过程。监督分类算法有平行算法、平行六面体法、最小距离法、最大似然法、马氏距离法、二值编码分类法等算法。 　　最小距离法是一种原理简单，应用方便的分类方法，它利用训练样本中各类别在各波段的均值，根据各像元离训练样本平均值的距离大小来决定其类别，其在遥感分类中应用...
PIE-Engine 代码小细节
weixin_45949647的博客
09-02 482
在PIE-Engine中若有ImageCollection、FeautureCollection等带Collection的，进行裁剪、转化等需要加first()函数。 var dems = pie.ImageCollection('DEM/SRTM_30').clip(geometry());//PIE-Engine会报错 var dems = pie.ImageCollection('DEM/SRTM_30').first().clip(geometry());//不会报错 ...
PIE-Engine上传矢量数据
dycxl520的博客
08-29 1392
在PIE-Enjine平台上面上传自己需要的矢量文件
GEE python：利用sampleRegions将影像值提取至点
此星光明博客
07-19 563
传统方法：要将影像值提取至点，可以使用GIS软件中的空间分析工具。这样就可以将影像值提取至点了。可以将结果保存为新的数据文件或在GIS软件中进行进一步分析和可视化。GEE python中方法：安装地球引擎API和geemap安装地球引擎的Python API和geemap。geemap Python包是建立在ipyleaflet和folium包之上的，它实现了几个与地球引擎数据层交互的方法，比如Map.addLayer()、Map.setCenter()和Map.centerObject()
sampleRegions采样的时候，千万千万别有空值
adhuahd的博客
07-31 40
后来，他把代码发给了我们。我们对其进行了检查，发现在对时序数据采样时，经常会出现这样的问题。主要原因是去云后时序数据很容易出现空值，而一旦出现空值，sampleRegions函数得到的featureCollection数据集就会有样本丢失，甚至可能为空集的情况。因此，在使用sampleRegions函数的时候，一定要时刻留意采样影像是否有空值。前一阵子，徐老师问了我们一个问题，说他的样本数据采样后都变成空的了，然而实际是有影像的。下面的代码部分，大家一定要留意，值得细细品味。
PIE-engine 教程 ——长时间序列NDVI影像计算和chart时序图加载（2017年锦州全年植被指数展示）
此星光明博客
09-26 2631
本次教程首先市选定我们合适的长时间序列影像，我们首先划定研究区，然后设定指定区域的NDVI计算这里用到的市mean合成的计算，设定我们的去云和可视化参数设定，我们定义一个佛如循环用来进行分别进行遍历，最后设定chart影像的格式，加载影像。矢量数据路径或单个PIEGeometry对象或单个PIEFeature对象或PIEFeature对象Array。正则表达式，如果regex是空字符串，则将输入字符串拆分为单个字符。通过Geometry构造Feature对象。返回值：Feature。返回值：String。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值