segmentasi gambar gambar RGB dengan K berarti pengelompokan dalam python

Saya ingin mengelompokkan gambar RGB untuk tutupan lahan menggunakan k means clustering sedemikian rupa sehingga berbagai daerah gambar ditandai oleh warna yang berbeda dan jika batas yang mungkin dibuat memisahkan daerah yang berbeda. Saya menginginkan sesuatu seperti:

dari ini :

Apakah mungkin untuk mencapai ini dengan pengelompokan K-means? Saya telah mencari di seluruh internet dan banyak tutorial melakukannya dengan k berarti pengelompokan tetapi hanya setelah mengkonversi gambar ke skala abu-abu. Saya ingin melakukannya dengan gambar RGB saja. Apakah ada sumber yang bisa membantu saya memulainya? Tolong sarankan sesuatu.

Saya meretas solusi untuk ini dan menulis artikel blog beberapa waktu lalu pada topik yang sangat mirip, yang akan saya rangkum di sini. Script ini dimaksudkan untuk mengekstraksi sungai dari gambar NAIP 4-band menggunakan pendekatan segmentasi dan klasifikasi gambar.

1. Konversi gambar ke array numpy
2. Lakukan segmentasi pergeseran cepat (Gambar 2)
3. Konversi segmen ke format raster
4. Hitung NDVI
5. Lakukan statistik zona rata-rata menggunakan segmen dan NDVI untuk mentransfer nilai NDVI ke segmen (Gambar 3)
6. Klasifikasi segmen berdasarkan nilai NDVI
7. Evaluasi hasil (Gambar 4)

Contoh ini mengelompokkan gambar menggunakan pengelompokan quickshift dalam ruang warna (x, y) dengan 4-band (merah, hijau, biru, NIR) daripada menggunakan pengelompokan K-means. Segmentasi gambar dilakukan menggunakan paket scikit-image . Rincian lebih lanjut tentang berbagai algoritma segmentasi gambar di scikit-image di sini . Demi kenyamanan, saya biasa arcpymelakukan banyak pekerjaan GIS, meskipun ini seharusnya cukup mudah untuk dipindahkan ke GDAL.

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')

Anda bisa melihat pengelompokan di scikit-belajar . Anda perlu membaca data menjadi array numpy (saya sarankan rasterio ) dan dari sana Anda dapat memanipulasi data sehingga setiap band adalah variabel untuk klasifikasi. Misalnya, dengan asumsi Anda memiliki tiga band membaca ke python sebagai red, green, dan bluearray numpy:

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()

Perhatikan bahwa pengelompokan KMeans tidak memperhitungkan konektivitas akun dalam dataset.