例如,在在地图上低传染病
在第二个例子的情况(案例2,以上)
计算值大于预期传染
因为这个原因。
指数也受变化
属性类频率(李和雷诺1993)。
记得,推导的最大价值
假设平等属性频率。当
一些属性相对更常见
别人,然后某些类型的属性adjacencies
一定的频率比其他类型。这
最大熵(或最低传染病)之下
原模型不可能实现,这里面一定有
一定数量的传染病,这将会改变
属性频率。这一效果实在证明
在Gustafson和帕克(1992)仿真研究。
病例可能是为考虑这是“真正的”
传染病,一个神器的unequal-probability抽样,
或不适当的应用的传染病
指数。
总之,当聚集度小,
可以推断属性类频率
或多或少都是平等的,频率
same-class adjacencies的,大约相同
adjacencies different-class的频率。当
这一指数是更大的,它可能由于一个真正的趋势
凝结,也许结果的变异的属性
类频率。或其原因可能是
高频率的两种不同的adjacencies
课程。
如果熵(如角二阶矩)的措施
整体形象”的特质”(例如,Haralick等。d。
1973年,作乐格罗弗·1991年成立;冈萨雷斯和
伍兹1992),那么必须其传染病衍生品。
图像在“粗糙”的特质通常显示
一定数量的clumpiness(很可能是
结果不相等的属性类频率),
而图像在“好”的特质所不了解的东西
(比较例图图1)。帖前
在敏感指标。模式连接
大经验公式移植赌注
属性指标多样性、统治、传染病,
和纹理(Riitters孙俐。1995年)。
摘要
连通性和纹理的主题
空间分析在许多领域包括生态,
图像处理,和统计。因此,
许多定义的趋势的措施
属性,以成块或者联合。你们中间拣选的
他们将取决于n的情况下,包括
特定的海波
地图(例如,向量
为他(她)流泪(例如,粒度和程度,董事会规模
分析(例如,pixel-level与缀块)。这广度和深度分析也是非常重要的。
而总结必须研究指标
同时模式的许多方面(例如,分裂,补丁紧凑、,分维值),
更复杂的模型是需要分区
任何一个详细的情况总结指数
例如，在与低传染的地图
in第二个例子情景(案例2，上面)，
calculated传染价值比预期大
为此。
The索引也是受变异的影响的
attribute类频率(李和雷诺兹1993)。那的Recall所有最大价值的派生
assumed属性频率的平等。 当
some属性相对地共同比
others，然后属性毗邻物的一些类型是
necessarily频繁比其他类型。
maximum熵(或极小的传染)下
the空模型不可能体会; 必须有
some相当数量传染和这将变化与
attribute频率。 这个作用被展示了
in Gustafson和Parker’s (1992)模仿学习。
Cases可以为认为此被做“real”
contagion，不同等可能性采样人工制品，
or传染的一种不适当的应用
index.总之，当传染索引是小的，属性类频率的it也许被推断
are或多或少合计和那频率
of同样类毗邻物是与相同不同类毗邻物frequencies。 当
the索引是更大，它可以由于一个真正的倾向为
clumping，或许由于在属性上的变化
class频率。 或者它也许由a造成
高频率在二之间的毗邻物不同
classes.
If熵(象有角二次矩)措施
overall图象“texture” (即， Haralick和D.
1973; Musick和格罗弗1991年; 冈萨雷斯和
Woods 1992)，如此然后必须它的传染衍生物。与“coarse”纹理的An图象典型地显示一定数量的 clumpiness (可能a不同等的属性类频率result)，
whereas与“fine”纹理的一个图象不
(比较在图1)的例子地图。 Thes在样式索引之中的itive连接由大经验主义的交互作用赌注的ported属性变化，优势，传染indices，
and纹理(Riitters等1995)。
Summary
Connectivity和纹理是周期性题材 在许多领域的spatial分析包括生态，图象处理的和统计。 结果，那里
are倾向的许多map-based措施为聚集或联合的attributes。 选择在之中
them将依靠n情况，包括
the特殊性低亚硫酸钠
maps (即，传染媒介
ters (即，粒度和程度)和标度
analysis (即，映象点级对补丁级)。 分析的scope和深度也是重要的。
Whereas概略索引是需要的学习同时样式的many方面(即，破碎，
patch机秘和分数维维度)，
more复杂的模型是需要的分成从任何一个总结的the详细信息
例如,在在地图上低传染病
在第二个例子的情况(案例2,以上)
计算值大于预期传染
因为这个原因。
指数也受变化
属性类频率(李和雷诺1993)。
记得,推导的最大价值
假设平等属性频率。当
一些属性相对更常见
别人,然后某些类型的属性adjacencies
一定的频率比其他类型。这
最大熵(或最低传染病)之下
原模型不可能实现,这里面一定有
一定数量的传染病,这将会改变
属性频率。这一效果实在证明
在Gustafson和帕克(1992)仿真研究。
病例可能是为考虑这是“真正的”
传染病,一个神器的unequal-probability抽样,
或不适当的应用的传染病
指数。
总之,当聚集度小,
可以推断属性类频率
或多或少都是平等的,频率
same-class adjacencies的,大约相同
adjacencies different-class的频率。当
这一指数是更大的,它可能由于一个真正的趋势
凝结,也许结果的变异的属性
类频率。或其原因可能是
高频率的两种不同的adjacencies
课程。
如果熵(如角二阶矩)的措施
整体形象”的特质”(例如,Haralick等。d。
1973年,作乐格罗弗·1991年成立;冈萨雷斯和
伍兹1992),那么必须其传染病衍生品。
图像在“粗糙”的特质通常显示
一定数量的clumpiness(很可能是
结果不相等的属性类频率),
而图像在“好”的特质所不了解的东西
(比较例图图1)。帖前
在敏感指标。模式连接
大经验公式移植赌注
属性指标多样性、统治、传染病,
和纹理(Riitters孙俐。1995年)。
摘要
连通性和纹理的主题
空间分析在许多领域包括生态,
图像处理,和统计。因此,
许多定义的趋势的措施
属性,以成块或者联合。你们中间拣选的
他们将取决于n的情况下,包括
特定的海波
地图(例如,向量
为他(她)流泪(例如,粒度和程度,董事会规模
分析(例如,pixel-level与缀块)。这
广度和深度分析也是非常重要的。
而总结必须研究指标
同时模式的许多方面
更复杂的模型是需要分区
任何一个详细的情况总结
的指数。
例如,在在地图上低传染病
在第二个例子的情况(案例2,以上)
计算值大于预期传染
因为这个原因。
指数也受变化
属性类频率(李和雷诺1993)。
记得,推导的最大价值
假设平等属性频率。当
一些属性相对更常见
别人,然后某些类型的属性adjacencies
一定的频率比其他类型。这
最大熵(或最低传染病)之下
原模型不可能实现,这里面一定有
一定数量的传染病,这将会改变
属性频率。这一效果实在证明
在Gustafson和帕克(1992)仿真研究。
病例可能是为考虑这是“真正的”
传染病,一个神器的unequal-probability抽样,
或不适当的应用的传染病
指数。
总之,当聚集度小,
可以推断属性类频率
或多或少都是平等的,频率
same-class adjacencies的,大约相同
adjacencies different-class的频率。当
这一指数是更大的,它可能由于一个真正的趋势
凝结,也许结果的变异的属性
类频率。或其原因可能是
高频率的两种不同的adjacencies
课程。
如果熵(如角二阶矩)的措施
整体形象”的特质”(例如,Haralick等。d。
1973年,作乐格罗弗·1991年成立;冈萨雷斯和
伍兹1992),那么必须其传染病衍生品。
图像在“粗糙”的特质通常显示
一定数量的clumpiness(很可能是
结果不相等的属性类频率),
而图像在“好”的特质所不了解的东西
(比较例图图1)。帖前
在敏感指标。模式连接
大经验公式移植赌注
属性指标多样性、统治、传染病,
和纹理(Riitters孙俐。1995年)。
摘要
连通性和纹理的主题
空间分析在许多领域包括生态,
图像处理,和统计。因此,
许多定义的趋势的措施
属性,以成块或者联合。你们中间拣选的
他们将取决于n的情况下,包括
特定的海波
地图(例如,向量
为他(她)流泪(例如,粒度和程度,董事会规模
分析(例如,pixel-level与缀块)。这
广度和深度分析也是非常重要的。
而总结必须研究指标
同时模式的许多方面(例如,分裂,
补丁紧凑、,分维值),
更复杂的模型是需要分区
任何一个详细的情况总结
指数。
内容全部来源于网络收集，如有侵权，请联系网站删除：QQ：24596024