Support Vector Machine (SVM) is a s

Support Vector Machine (SVM) is a supervised classification method derived from statistical learning theory that often yields good classification results from complex and noisy data. See Support Vector Machine Background for details.

Use the ROI Tool in ENVI Classic to define training regions for each class. The more pixels and classes, the better the results will be.
Use the ROI Tool to save the ROIs to an .roi file.
Display the input image in ENVI.
From the menu bar, select File > Open and open the ROI file. It displays on top of the input image.
From the Toolbox, select Classification > Supervised Classification > Support Vector Machine Classification. The Classification Input File dialog appears.
Select an input file and perform optional spatial and spectral subsetting, then click OK. The Support Vector Machine Classification Parameters dialog appears.
In the Select Classes from Regions list, select at least one ROI and/or vector as training classes. The ROIs listed are derived from the available ROIs in the ROI Tool dialog. The vectors listed are derived from the open vectors in the Available Vectors List.
Select the Kernel Type to use in the SVM classifier from the drop-down list. Options are Linear, Polynomial, Radial Basis Function, and Sigmoid. Depending on the option you select, additional fields may appear.
If the Kernel Type is Polynomial, set the Degree of Kernel Polynomial to specify the degree use for the SVM classification. The minimum value is 1, the default is 2, and the maximum value is 6.
If the Kernel Type is Polynomial or Sigmoid, specify the Bias in Kernel Function for the kernel to use in the SVM algorithm. The default is 1.
If the kernel type is Polynomial, Radial Basis Function, or Sigmoid, use the Gamma in Kernel Function field to set the gamma parameter used in the kernel function. This value is a floating point value greater than 0. The default is the inverse of the number of bands in the input image.
Specify the Penalty Parameter for the SVM algorithm to use. This value is a floating point value greater than 0. The penalty parameter controls the trade-off between allowing training errors and forcing rigid margins. Increasing the value of the penalty parameter increases the cost of misclassifying points and causes ENVI to create a more accurate model that may not generalize well. The default is 100.
Use the Pyramid Levels field to set the number of hierarchical processing levels to apply during the SVM training and classification process. If this value is set to 0, ENVI processes the image at full resolution only. The default is 0. The maximum value is dynamic; it varies with the size of the image you select. The maximum value is determined by the criteria that the highest pyramid-level image is larger than 64 x 64. For example, for an image that is 24000 x 24000, the maximum level is 8.
If the Pyramid Levels field is a value greater than zero, set the Pyramid Reclassification Threshold to specify the probability threshold that a pixel classified at a lower resolution level must meet to avoid being reclassified at a finer resolution. The range is from 0 to 1. The default is 0.9.
Use the Classification Probability Threshold field to set the probability that is required for the SVM classifier to classify a pixel. Pixels where all rule probabilities are less than this threshold are unclassified. The range is from 0 to 1. The default is 0.0.
Select classification output to File or Memory.
Use the Output Rule Images? toggle button to select whether or not to create rule images output. Use rule images to create intermediate classification image results before final assignment of classes. You can later use rule images in the Rule Classifier to create a new classification image without having to recalculate the entire classification (see See "Classifying from Rule Images").
If you selected Yes to output rule images, select output to File or Memory.
Click OK. ENVI adds the resulting output to the Layer Manager. If you selected to output rule images, ENVI creates rule images for each class with the pixel values equal to the percentage (0-100%) of bands that matched that class. Areas that satisfied the minimum threshold are carried over as classified areas into the classified image.
.

ผลลัพธ์ (ไทย) 1:

เครื่องสนับสนุนเวกเตอร์ (SVM) เป็นวิธีการจัดประเภทที่มีที่มาจากทฤษฎีการเรียนรู้สถิติที่มักก่อให้เกิดผลลัพธ์ดีประเภทข้อมูลซับซ้อน และเสียงดัง ดูเบื้องหลังสนับสนุนเวกเตอร์เครื่องรายละเอียด ใช้เครื่องมือร้อยในคลาสสิกสามารถกำหนดพื้นที่ฝึกอบรมในแต่ละชั้น พิกเซลเพิ่มเติม และ เรียน ดีกว่าผลลัพธ์จะได้ ใช้เครื่องมือร้อย ROIs ที่บันทึกไปยังแฟ้ม.roi แสดงรูปสัญญาณในสามารถ จากแถบเมนู เลือกไฟล์ > เปิด และเปิดแฟ้มร้อย จะแสดงอยู่ด้านบนของภาพเข้า จากกล่องเครื่องมือ เลือกประเภท > ประเภทแบบมีผู้สอน > สนับสนุนเวกเตอร์เครื่องประเภทนี้ การจัดประเภทแฟ้มป้อนข้อมูลกล่องโต้ตอบปรากฏขึ้น เลือกแฟ้มอินพุต และดำเนินการจัดพื้นที่ และสเปกตรัมก็ได้ แล้วคลิกตกลง สนับสนุนแบบเวกเตอร์เครื่องประเภทพารามิเตอร์กล่องโต้ตอบปรากฏขึ้น ในการเลือกเรียนจากภูมิภาครายการ เลือกน้อยร้อยหรือเวกเตอร์เป็นสอนฝึกอบรม ROIs แสดงมาจาก ROIs ว่างในกล่องโต้ตอบเครื่องมือร้อย เวกเตอร์ที่แสดงมาจากเวกเตอร์เปิดในรายการเวกเตอร์ว่าง เลือกชนิดของเคอร์เนลใช้ classifier SVM จากรายการแบบหล่นลง ตัวเลือกมีเชิงเส้น พหุนาม ฟังก์ชันฐานรัศมี และ Sigmoid ขึ้นอยู่กับตัว คุณเลือก ฟิลด์เพิ่มเติมที่อาจปรากฏขึ้น ถ้าชนิดของเคอร์เนลเป็นพหุนาม การองศาของเคอร์เนลพหุนามเพื่อระบุการใช้ระดับการจัด SVM ค่าต่ำสุดคือ 1, 2 เป็นค่าเริ่มต้น และค่าสูงสุดคือ 6 ถ้าชนิดของเคอร์เนลเป็นพหุนามหรือ Sigmoid ระบุเส้นทแยงในฟังก์ชันเคอร์เนลสำหรับเคอร์เนลที่ใช้ในอัลกอริทึม SVM ค่าเริ่มต้นคือ 1 ชนิดเคอร์เนลเป็นพหุนาม ฟังก์ชันฐานรัศมี Sigmoid ใช้หรือแกมมาที่ในฟังก์ชันเคอร์เนลฟิลด์การตั้งค่าพารามิเตอร์แกมมาที่ใช้ในฟังก์ชันเคอร์เนล ค่านี้เป็นแบบลอยชี้ค่าที่มากกว่า 0 เริ่มต้นเป็นค่าผกผันของวงในรูปสัญญาณ ระบุพารามิเตอร์โทษสำหรับอัลกอริทึม SVM จะใช้ ค่านี้เป็นแบบลอยชี้ค่าที่มากกว่า 0 ปรับพารามิเตอร์ควบคุม trade-off ระหว่างให้ข้อผิดพลาดในการฝึกอบรม และการบังคับขอบแข็ง เพิ่มค่าของพารามิเตอร์ปรับเพิ่มต้นทุนของ misclassifying จุด และทำให้สามารถสร้างแบบจำลองเพิ่มเติมถูกต้องที่อาจทั่วไปดี เริ่มต้นเป็น 100 ใช้ฟิลด์ระดับพีระมิดเพื่อกำหนดจำนวนของระดับการประมวลผลแบบลำดับชั้นเพื่อใช้ในระหว่างกระบวนการฝึกอบรมและการจัดประเภท SVM หากค่านี้ถูกกำหนดเป็น 0 สามารถประมวลผลภาพ ด้วยความละเอียดเท่านั้น เริ่มต้นเป็น 0 ค่าสูงสุดเป็นแบบไดนามิก ความแตกต่าง ด้วยขนาดของภาพที่คุณเลือก ค่าสูงสุดจะถูกกำหนด โดยเงื่อนไขว่า รูปปิรามิดระดับสูงสุดมีขนาดใหญ่กว่า 64 x 64 ตัวอย่าง สำหรับภาพที่ 24000 x 24000 ระดับสูงสุดคือ 8 ถ้าฟิลด์ระดับพีระมิดเป็นค่าที่มากกว่าศูนย์ ตั้งค่าขีดจำกัดการจัดปิรามิดเพื่อระบุขีดจำกัดของความน่าเป็นที่จัดพิกเซลที่ระดับความละเอียดต่ำกว่าเกณฑ์ในการหลีกเลี่ยงการจัดประเภทที่ละเอียดปลีกย่อย ช่วงคือ 0 กับ 1 เริ่มต้นเป็น 0.9 ใช้ฟิลด์ขีดจำกัดความน่าเป็นประเภทการตั้งค่าความน่าเป็นที่จำเป็นสำหรับ classifier SVM เพื่อจัดประเภทพิกเซล พิกเซลที่กิจกรรมกฎทั้งหมดน้อยกว่าขีดจำกัดนี้จะไม่ได้แยกประเภท ช่วงคือ 0 กับ 1 เริ่มต้นเป็น 0.0 เลือกประเภทการแสดงผลไฟล์หรือหน่วยความจำ ใช้ภาพกฎออก ปุ่มสลับเพื่อเลือกว่าจะสร้างกฎภาพออกหรือไม่ ใช้กฎภาพเพื่อสร้างประเภทกลางภาพผลลัพธ์ก่อนกำหนดขั้นสุดท้ายของชั้นเรียน คุณในภายหลังสามารถใช้ภาพกฎใน Classifier กฎเพื่อสร้างรูปแบบการจัดประเภทใหม่ โดยไม่ต้องคำนวณจัดประเภททั้งหมด (ดูดู "ประเภทจากกฎภาพ") ถ้าคุณเลือกใช่เพื่อแสดงผลภาพกฎ เลือกแสดงผลไฟล์หรือหน่วยความจำ คลิกตกลง สามารถเพิ่มผลให้ผู้จัดการชั้น ถ้าคุณเลือกที่จะออกกฎภาพ สามารถสร้างภาพกฎสำหรับแต่ละคลาส มีค่าพิกเซลเท่ากับเปอร์เซ็นต์ (0-100%) ของวงที่จับคู่คลาสนั้น พื้นที่ที่พอใจขีดจำกัดต่ำสุดจะยกยอดมาเป็นพื้นที่ลับเป็นภาพลับ.

ผลลัพธ์ (ไทย) 2:

สนับสนุนเครื่องเวกเตอร์ (SVM) เป็นวิธีการจัดหมวดหมู่ภายใต้การดูแลที่ได้มาจากทฤษฎีการเรียนรู้ทางสถิติที่มักจะให้ผลลัพธ์ที่ดีจากการจัดหมวดหมู่ข้อมูลที่ซับซ้อนและมีเสียงดัง ดูพื้นหลังเวกเตอร์เครื่องสนับสนุนสำหรับรายละเอียด. ใช้เครื่องมือที่ผลตอบแทนการลงทุนใน ENVI คลาสสิกที่จะกำหนดภูมิภาคการฝึกอบรมสำหรับแต่ละชั้นเรียน พิกเซลมากขึ้นและการเรียนที่ดีกว่าผลจะ. ใช้เครื่องมือที่ผลตอบแทนการลงทุนที่จะบันทึก ROIs ไปยังแฟ้ม .roi. แสดงภาพที่นำเข้าใน ENVI ได้. จากแถบเมนูเลือกไฟล์> เปิดและเปิดแฟ้มผลตอบแทนการลงทุน จะแสดงที่ด้านบนของภาพที่นำเข้า. จากกล่องเครื่องมือให้เลือกการจัดหมวดหมู่> ดูแลการจัดหมวดหมู่> เวกเตอร์เครื่องสนับสนุนการจัดหมวดหมู่ โต้ตอบการป้อนข้อมูลการจำแนกประเภทไฟล์ที่ปรากฏ. เลือกแฟ้มข้อมูลและดำเนินการ subsetting เชิงพื้นที่และสเปกตรัมตัวเลือกแล้วคลิกตกลง พารามิเตอร์การจำแนกประเภทเครื่องเวกเตอร์สนับสนุนโต้ตอบปรากฏขึ้น. ในการเลือกเรียนจากรายการภูมิภาคเลือกอย่างน้อยหนึ่งผลตอบแทนการลงทุนและ / หรือเวกเตอร์เรียนการฝึกอบรม ROIs จดทะเบียนจะได้มาจาก ROIs ที่มีอยู่ในผลตอบแทนการลงทุนเครื่องมือโต้ตอบ เวกเตอร์ที่ระบุไว้จะได้มาจากพาหะเปิดอยู่ในรายชื่อที่มีจำหน่ายเวกเตอร์. เลือกประเภทเคอร์เนลที่จะใช้ในลักษณนาม SVM จากรายการแบบหล่นลง ตัวเลือกเชิงเส้นพหุนาม, ฟังก์ชั่นพื้นฐานรัศมีและ sigmoid ทั้งนี้ขึ้นอยู่กับตัวเลือกที่คุณเลือกเขตข้อมูลเพิ่มเติมอาจจะปรากฏ. หากประเภทเคอร์เนลเป็นพหุนามตั้งค่าระดับของเคอร์เนลพหุนามเพื่อระบุระดับการใช้งานสำหรับการจัดหมวดหมู่ SVM ค่าต่ำสุดคือ 1, ค่าเริ่มต้นคือ 2 และเป็นค่าสูงสุด 6. หากประเภทเคอร์เนลเป็นพหุนามหรือ sigmoid ระบุอคติในฟังก์ชั่นสำหรับเคอร์เนลเคอร์เนลที่จะใช้ในขั้นตอนวิธี SVM เริ่มต้นคือ 1. ถ้าชนิดเคอร์เนลเป็นพหุนาม, ฟังก์ชั่นพื้นฐาน Radial หรือ sigmoid ใช้รังสีในด้านฟังก์ชั่นเคอร์เนลที่จะตั้งค่าพารามิเตอร์แกมมาที่ใช้ในการทำงานของเคอร์เนล ค่านี้เป็นค่าทศนิยมมากกว่า 0 เริ่มต้นคือผกผันของจำนวนวงดนตรีในภาพที่นำเข้า. ระบุพารามิเตอร์ลงโทษสำหรับขั้นตอนวิธี SVM ที่จะใช้ ค่านี้เป็นค่าทศนิยมมากกว่า 0 พารามิเตอร์โทษควบคุมการค้าระหว่างข้อผิดพลาดที่ช่วยให้การฝึกอบรมและการบังคับให้อัตรากำไรขั้นต้นที่เข้มงวด การเพิ่มค่าของพารามิเตอร์โทษเพิ่มค่าใช้จ่ายของจุด misclassifying และทำให้เกิด ENVI ในการสร้างรูปแบบที่ถูกต้องมากขึ้นที่อาจจะไม่คุยกัน เริ่มต้นคือ 100 ใช้ฟิลด์ระดับพีระมิดเพื่อกำหนดจำนวนของระดับการประมวลผลแบบลำดับชั้นเพื่อนำไปใช้ในระหว่างการฝึก SVM และขั้นตอนการจัดหมวดหมู่ หากค่านี้ถูกตั้งค่าเป็น 0, ENVI ประมวลผลภาพที่มีความละเอียดเต็มเท่านั้น เริ่มต้นเป็น 0 ค่าสูงสุดเป็นแบบไดนามิก; มันขึ้นอยู่กับขนาดของภาพที่คุณเลือก ค่าสูงสุดจะถูกกำหนดโดยเกณฑ์ที่ภาพปิรามิดในระดับที่สูงที่สุดมีขนาดใหญ่กว่า 64 x 64 ตัวอย่างเช่นสำหรับภาพที่มี 24000 x 24000 ซึ่งเป็นระดับสูงสุดคือ 8 ถ้าสนามระดับพีระมิดเป็นมูลค่าที่เพิ่มขึ้นกว่า ศูนย์ตั้งเกณฑ์การจัดประเภทรายการพีระมิดเพื่อระบุเกณฑ์น่าจะเป็นที่จัดพิกเซลในระดับความละเอียดต่ำจะต้องตอบสนองเพื่อหลีกเลี่ยงการจัดประเภทรายการใหม่ที่มีความละเอียดปลีกย่อย ช่วงที่อยู่ระหว่าง 0 ถึง 1 เริ่มต้นคือ 0.9. ใช้การจำแนกประเภทความน่าจะเป็นสนามเกณฑ์ในการตั้งค่าความน่าจะเป็นที่จำเป็นสำหรับการจําแนก SVM จะจัดพิกเซล พิกเซลที่ทุกกฎความน่าจะเป็นน้อยกว่าเกณฑ์นี้ไม่เป็นความลับ ช่วงที่อยู่ระหว่าง 0 ถึง 1 เริ่มต้นคือ 0.0. เลือกเอาท์พุทจัดหมวดหมู่ที่ File หรือ Memory. ใช้รูปภาพกฎการส่งออกหรือไม่ สลับเพื่อเลือกหรือไม่ที่จะสร้างกฎภาพออก ใช้ภาพการปกครองเพื่อสร้างผลงานภาพการจัดหมวดหมู่กลางก่อนที่จะได้รับมอบหมายสุดท้ายของการเรียน ภายหลังคุณสามารถใช้ภาพในการปกครองลักษณนามกฎเพื่อสร้างภาพการจัดหมวดหมู่ใหม่โดยไม่ต้องมีการคำนวณการจัดหมวดหมู่ทั้งหมด (ดูดู "การแบ่งภาพจากกฎ"). ถ้าคุณเลือกใช่เพื่อการส่งออกภาพกฎเลือกส่งออกไปยังไฟล์หรือหน่วยความจำคลิกตกลง ENVI เพิ่มการส่งออกส่งผลให้ผู้จัดการชั้น หากคุณเลือกภาพกฎออก ENVI สร้างภาพกฎสำหรับแต่ละระดับมีค่าพิกเซลเท่ากับร้อยละ (0-100%) ของวงดนตรีที่ตรงกับชั้นเรียนที่ พื้นที่ที่มีความพึงพอใจเกณฑ์ขั้นต่ำที่จะดำเนินไปเป็นพื้นที่แบ่งออกเป็นภาพลับ.

ผลลัพธ์ (ไทย) 3:

เครื่องเวกเตอร์สนับสนุน ( SVM ) คือ มีการจำแนกวิธีการมาจากทฤษฎีการเรียนรู้เชิงสถิติที่มักจะให้ผลการจำแนกที่ดีจากที่ซับซ้อนและข้อมูลดัง ดูหลังเครื่องเวกเตอร์สนับสนุนรายละเอียด

ใช้ ROI เครื่องมือในการกำหนดภูมิภาค Envi คลาสสิกการฝึกอบรมแต่ละระดับ ยิ่งพิกเซลและชั้นเรียน ดีกว่าผลลัพธ์จะเป็น .
ใช้ ROI เครื่องมือบันทึก รัวร์ไปยังแฟ้ม . ร้อยเอ็ด แสดงภาพการป้อนข้อมูลใน Envi
.
จากแถบเมนู เลือกไฟล์ > เปิดและเปิดแฟ้มที่ร้อยเอ็ด จะแสดงที่ด้านบนของภาพที่ใส่
จากกล่องเครื่องมือ เลือกหมวดหมู่ > หมวดหมู่ > การดูแลสนับสนุนเวกเตอร์เครื่องจักร จัดเข้าแฟ้มกล่องโต้ตอบปรากฏขึ้น .
เลือกแฟ้มใส่และการเลือกพื้นที่ และการ subsetting แล้วคลิก OK สนับสนุนเวกเตอร์เครื่องจักรประเภทพารามิเตอร์กล่องโต้ตอบจะปรากฏขึ้น เลือกเรียนจากรายการ
ในภูมิภาค เลือกอย่างน้อยหนึ่งร้อยเอ็ดและ / หรือเวกเตอร์เป็นชั้นเรียนการฝึกอบรม การรัวร์จดทะเบียนจะมาจากใช้ได้รัวร์ใน ROI เครื่องมือโต้ตอบเวกเตอร์ที่แสดงได้มาจากเวกเตอร์เปิดในรายการเวกเตอร์ใช้ได้ .
เลือกเคอร์เนลที่จะใช้ในการจำแนกชนิด SVM จากรายการแบบหล่นลง ตัวเลือกที่เป็นเชิงเส้นพหุนามฟังก์ชันฐานรัศมี และลักษณะเป็นแบบ ทั้งนี้ขึ้นอยู่กับตัวเลือกที่คุณเลือกเขตข้อมูลเพิ่มเติมอาจปรากฏ .
ถ้าประเภทเคอร์เนลพหุนาม ,ตั้งระดับของเคอร์เนลโดยระบุใช้องศาในการจำแนก SVM . ค่าต่ำสุด คือ 1 , ค่าเริ่มต้นคือ 2 และสูงสุดคือ 6 .
ถ้าประเภทเคอร์เนลหรือชื่อแบบระบุอคติในฟังก์ชันเคอร์เนลสำหรับเคอร์เนลที่ใช้ในอัลกอริทึม SVM . ค่าเริ่มต้นคือ 1 .
ถ้าประเภทเมล็ดเป็นพหุนามฟังก์ชันพื้นฐานหรือแบบเรเดียล ,การใช้รังสีแกมมาในฟิลด์ฟังก์ชันเคอร์เนลเพื่อตั้งค่าพารามิเตอร์ในฟังก์ชันแกมมาใช้เคอร์เนล ค่านี้เป็นค่าเลขทศนิยมมากกว่า 0 ค่าเริ่มต้นคือการผกผันของจำนวนแถบของภาพที่ใส่
ระบุพารามิเตอร์การอัลกอริทึม SVM ในการใช้ ค่านี้เป็นค่าเลขทศนิยมมากกว่า 0ปรับพารามิเตอร์การควบคุมการ trade-off ระหว่างการฝึกอบรมและการบังคับให้ข้อผิดพลาดขอบแข็ง การเพิ่มมูลค่าของการลงโทษและการเพิ่มขึ้นของค่าใช้จ่ายของ misclassifying จุดและสาเหตุตลอดจนเพื่อสร้างแบบจำลองที่แม่นยำมากขึ้นที่ไม่อาจอนุมานด้วย ค่าเริ่มต้นคือ 100
ใช้สนามระดับพีระมิดเพื่อกำหนดจำนวนของระดับกระบวนการลำดับชั้นใช้ในระหว่างการฝึกอบรม SVM และการจำแนกกระบวนการ ถ้าค่านี้ถูกตั้งค่าเป็น 0 , ENVI กระบวนการภาพที่ความละเอียดเต็มเท่านั้น ค่าเริ่มต้นคือ 0 มูลค่าสูงสุดเป็นแบบไดนามิก มันแตกต่างกันกับขนาดของภาพที่คุณเลือกมูลค่าสูงสุดจะถูกกำหนดโดยเงื่อนไขว่าพีระมิดสูงสุดระดับภาพมีขนาดใหญ่กว่า 64 x 64 ตัวอย่างเช่นภาพที่ 24 , 000 x 24000 , ระดับ สูงสุดคือ 8 .
ถ้าสนามระดับพีระมิดเป็นค่ามากกว่าศูนย์ชุดปิรามิด reclassification เกณฑ์กำหนดความน่าจะเป็นของที่จัดในระดับพิกเซลความละเอียดต่ำกว่าจะต้องตอบสนองเพื่อหลีกเลี่ยงการถูกงวดที่ความละเอียดปลีกย่อย ช่วงตั้งแต่ 0 ถึง 1 ค่าเริ่มต้นคือ 0 .
ใช้เกณฑ์การจำแนกเขตเพื่อตั้งค่าความน่าจะเป็นความน่าจะเป็นที่จำเป็นสำหรับ SVM ลักษณนามแบ่งเป็นพิกเซลพิกเซลที่น่าจะเป็นกฎทั้งหมดจะน้อยกว่าเกณฑ์นี้จะแยกประเภท . ช่วงตั้งแต่ 0 ถึง 1 ค่าเริ่มต้นคือ 0.0 .
เลือกหมวดหมู่ที่ส่งออกไปยังแฟ้มหรือหน่วยความจำ .
ใช้กฎออกภาพ ? ปุ่มสลับการเลือกหรือไม่ที่จะสร้างภาพออกกฎ ใช้รูปการปกครองเพื่อสร้างผลลัพธ์ภาพการจำแนกระดับกลางก่อนงานชิ้นสุดท้ายของคลาสคุณสามารถใช้ในภายหลังภาพกฎกฎการจำแนกหมวดหมู่เพื่อสร้างภาพใหม่ โดยไม่ต้องคำนวณหมวดหมู่ทั้งหมด ( ดู " ข้อมูลจากภาพ " กฎ ) .
ถ้าคุณเลือกใช่ภาพกฎ output , output เลือกไฟล์หรือหน่วยความจำ .
คลิก OK ตลอดจนเพิ่มผลผลิตส่งผลให้ผู้จัดการชั้น ถ้าคุณเลือกภาพกฎออกตลอดจนสร้างกฎภาพสำหรับแต่ละชั้นกับพิกเซลค่าเท่ากับร้อยละ ( 0-100 % ) เป็นวงดนตรีที่ตรงกันกับห้องนั้น พื้นที่ที่พอใจเกณฑ์ขั้นต่ำจะหอบไปตามพื้นที่ในการจัดภาพ