Bildsegmentierung des RGB-Bildes durch K bedeutet Clustering in Python

Ich möchte RGB-Bilder für die Landbedeckung mit k Mitteln segmentieren, indem ich sie so gruppiere, dass die verschiedenen Bereiche des Bildes durch unterschiedliche Farben markiert werden und wenn möglich Grenzen zwischen verschiedenen Bereichen erstellt werden. Ich möchte so etwas wie:

davon :

Ist es möglich, dies durch K-Mittel-Clustering zu erreichen? Ich habe im ganzen Internet gesucht und viele Tutorials tun dies mit k bedeutet Clustering, aber erst nachdem das Bild in Graustufen konvertiert wurde. Ich möchte es nur mit einem RGB-Bild machen. Gibt es eine Quelle, die mir dabei helfen könnte? Bitte schlagen Sie etwas vor.

Ich habe eine Lösung dafür gehackt und vor einiger Zeit einen Blog- Artikel zu einem sehr ähnlichen Thema geschrieben, den ich hier zusammenfassen werde. Das Skript soll einen Fluss aus einem 4-Band-NAIP-Bild unter Verwendung eines Bildsegmentierungs- und Klassifizierungsansatzes extrahieren.

1. Konvertieren Sie das Bild in ein Numpy-Array
2. Führen Sie eine schnelle Schichtsegmentierung durch (Bild 2)
3. Konvertieren Sie Segmente in das Rasterformat
4. Berechnen Sie den NDVI
5. Führen Sie mittlere Zonenstatistiken mit Segmenten und NDVI durch, um NDVI-Werte auf Segmente zu übertragen (Bild 3).
6. Klassifizieren Sie Segmente anhand von NDVI-Werten
7. Ergebnisse auswerten (Bild 4)

In diesem Beispiel wird ein Bild mithilfe von Quickshift- Clustering im Farbraum (x, y) mit 4 Bändern (rot, grün, blau, NIR) segmentiert, anstatt K-Mittel-Clustering zu verwenden. Die Bildsegmentierung wurde mit dem Scikit-Image- Paket durchgeführt. Weitere Details zu einer Vielzahl von Bildsegmentierungsalgorithmen im Scikit-Bild finden Sie hier . Der Einfachheit halber habe ich einen arcpyGroßteil der GIS-Arbeit erledigt, obwohl dies ziemlich einfach auf GDAL zu portieren sein sollte.

from __future__ import print_function

import arcpy
arcpy.CheckOutExtension("Spatial")

import matplotlib.pyplot as plt
import numpy as np
from skimage import io
from skimage.segmentation import quickshift

# The input 4-band NAIP image
river = r'C:\path\to\naip_image.tif'

# Convert image to numpy array
img = io.imread(river)

# Run the quick shift segmentation
segments = quickshift(img, kernel_size=3, convert2lab=False, max_dist=6, ratio=0.5)
print("Quickshift number of segments: %d" % len(np.unique(segments)))

# View the segments via Python
plt.imshow(segments)

# Get raster metrics for coordinate info
myRaster = arcpy.sa.Raster(river)

# Lower left coordinate of block (in map units)
mx = myRaster.extent.XMin
my = myRaster.extent.YMin
sr = myRaster.spatialReference

# Note the use of arcpy to convert numpy array to raster
seg = arcpy.NumPyArrayToRaster(segments, arcpy.Point(mx, my),
                               myRaster.meanCellWidth,
                               myRaster.meanCellHeight)

outRaster = r'C:\path\to\segments.tif'
seg_temp = seg.save(outRaster)
arcpy.DefineProjection_management(outRaster, sr)

# Calculate NDVI from bands 4 and 3
b4 = arcpy.sa.Raster(r'C:\path\to\naip_image.tif\Band_4')
b3 = arcpy.sa.Raster(r'C:\path\to\naip_image.tif\Band_3')
ndvi = arcpy.sa.Float(b4-b3) / arcpy.sa.Float(b4+b3)

# Extract NDVI values based on image object boundaries
zones = arcpy.sa.ZonalStatistics(outRaster, "VALUE", ndvi, "MEAN")
zones.save(r'C:\path\to\zones.tif')

# Classify the segments based on NDVI values
binary = arcpy.sa.Con(zones < 20, 1, 0)
binary.save(r'C:\path\to\classified_image_objects.tif')

Sie könnten sich das Clustering in Scikit-Learn ansehen . Sie müssen die Daten in numpy Arrays lesen (ich würde Rasterio vorschlagen ) und von dort aus können Sie die Daten so bearbeiten , dass jedes Band eine Variable für die Klassifizierung ist. Zum Beispiel, vorausgesetzt , Sie haben die drei Bänder in Python zu lesen wie red, greenund bluenumpy Arrays:

import numpy as np
import sklearn.cluster

original_shape = red.shape # so we can reshape the labels later

samples = np.column_stack([red.flatten(), green.flatten(), blue.flatten()])

clf = sklearn.cluster.KMeans(n_clusters=5)
labels = clf.fit_predict(samples).reshape(original_shape)

import matplotlib.pyplot as plt

plt.imshow(labels)
plt.show()

Beachten Sie, dass das KMeans-Clustering die Konnektivität innerhalb des Datasets nicht berücksichtigt.