Question

我正在使用rgdal包在R中处理图像分类脚本。所讨论的光栅是具有28个通道的PCIDSK文件：训练数据通道，验证数据通道和26个光谱数据通道。目标是填充一个数据帧，其中包含训练数据通道中不为零的每个像素的值，以及26个波段中的相关光谱值。

在Python / Numpy中，我可以轻松地将整个图像的所有波段导入到一个多维数组中，但是，由于内存限制，R中唯一的选项似乎是逐块导入这个数据，这非常慢：

library(rgdal)

raster = "image.pix"
training_band = 2
validation_band = 1
BlockWidth = 500
BlockHeight = 500

# Get some metadata about the whole raster
myinfo = GDALinfo(raster)
ysize = myinfo[[1]]
xsize = myinfo[[2]]
numbands = myinfo[[3]]


# Iterate through the image in blocks and retrieve the training data
column = 0
training_data = NULL
while(column < xsize){
 if(column + BlockWidth > xsize){
  BlockWidth = xsize - column
 }
 row = 0
 while(row < ysize){
  if(row + BlockHeight > ysize){
   BlockHeight = ysize - row
  }

  # Do stuff here
  myblock = readGDAL(raster, region.dim = c(BlockHeight,BlockWidth), offset = c(row, column), band = c(training_band,3:numbands), silent = TRUE)
  blockdata = matrix(NA, dim(myblock)[1], dim(myblock)[2])
  for(i in 1:(dim(myblock)[2])){
   bandname = paste("myblock", names(myblock)[i], sep="$")
   blockdata[,i]= as.matrix(eval(parse(text=bandname)))
  }
  blockdata = as.data.frame(blockdata)
  blockdata = subset(blockdata, blockdata[,1] > 0)
  if (dim(blockdata)[1] > 0){
   training_data = rbind(training_data, blockdata)
  }

  row = row + BlockHeight
 }
 column = column + BlockWidth
}
remove(blockdata, myblock, BlockHeight, BlockWidth, row, column)

有没有更快/更好的方法来做同样的事情而不会耗尽内存？

收集此训练数据后的下一步是创建分类器（randomForest包），这也需要大量内存，具体取决于请求的树数。这让我想到了第二个问题，即考虑到训练数据已经占用的内存量，创建一个500棵树的森林是不可能的：

myformula = formula(paste("as.factor(V1) ~ V3:V", dim(training_data)[2], sep=""))
r_tree = randomForest(formula = myformula, data = training_data, ntree = 500, keep.forest=TRUE)

有没有办法分配更多内存？我错过了什么吗？感谢...

[编辑] 正如Jan所建议的，使用“光栅”包的速度要快得多;但据我所知，就收集训练数据而言，它并没有解决内存问题，因为它最终需要在数据帧中，在内存中：

library(raster)
library(randomForest)

# Set some user variables
fn = "image.pix"
training_band = 2
validation_band = 1

# Get the training data
myraster = stack(fn)
training_class = subset(myraster, training_band)
training_class[training_class == 0] = NA
training_class = Which(training_class != 0, cells=TRUE)
training_data = extract(myraster, training_class)
training_data = as.data.frame(training_data)

因此，虽然速度更快（并且代码更少），但它仍然无法解决没有足够的可用内存来创建分类器的问题...是否有一些“栅格”包函数我还没有找到可以做到这一点？感谢...

Answer 1

查看Raster包。 Raster包为Rgdal提供了一个方便的包装器，而无需将其加载到内存中。

http://raster.r-forge.r-project.org/

希望这有帮助。

'raster'包处理基本问题   空间栅格（网格）数据访问和   操纵。它定义了栅格   班;可以处理的非常大   文件（存储在磁盘上）;并包括   标准光栅功能，如   叠加，聚合和合并。

'raster'包的目的是   提供易于使用的功能   光栅操作和分析。   这些包括高级功能   如叠加，合并，聚合，   投影，重新采样，距离，   多边形到栅格转换。所有   这些功能非常大   无法加载的栅格数据集   进入记忆。另外，包   提供较低级别的功能，如   逐行阅读和写作（到   许多格式通过rgdal）进行建设   其他功能。

通过使用Raster包，您可以在使用randomForest之前避免填充内存。

[编辑]为了解决randomForest的内存问题，如果您可以在子样本（大小＆lt;＆lt; n）而不是bootstrap样本（大小为n）上学习随机林中的单个树，这可能会有所帮助。

Answer 2

我认为这里的关键是：“包含训练数据通道中不为零的每个像素值的数据帧”。如果生成的data.frame足够小以容纳在内存中，您可以通过只读取该带来确定这一点，然后仅修剪那些非零值，然后尝试创建一个包含那么多行的data.frame和总数你想要的colums。

你能跑这个吗？

 training_band = 2 

 df = readGDAL("image.pix",  band = training_band) 
 df = as.data.frame(df[!df[,1] == 0, ])

然后，您可以通过分别读取每个波段并修剪训练波段来逐个填充data.frame的列。

如果data.frame太大，那么你就被卡住了 - 我不知道randomForest是否可以使用“ff”中的内存映射数据对象，但它可能值得尝试。

编辑：一些示例代码，并注意栅格为您提供内存映射访问，但问题是randomForest是否可以使用内存映射数据结构。您可以只读取所需的数据，一次只读取一个 - 您可能希望首先构建完整的data.frame，而不是追加列。

此外，如果您可以从头开始生成完整的data.frame，那么您将知道它是否应该有效。通过rbind（）在您的代码执行过程中，您需要越来越大的连续内存块，这可能是可以避免的。

rgdal有效地读取大型多波段栅格

2 个答案: