phân đoạn hình ảnh của hình ảnh RGB bởi K có nghĩa là phân cụm trong python

Tôi muốn phân đoạn hình ảnh RGB cho vùng đất bằng cách sử dụng k có nghĩa là phân cụm theo kiểu sao cho các vùng khác nhau của hình ảnh được đánh dấu bằng các màu khác nhau và nếu các ranh giới có thể được tạo sẽ tách các vùng khác nhau. Tôi muốn một cái gì đó như:

từ đây :

Có thể đạt được điều này bằng cách phân cụm K-nghĩa? Tôi đã tìm kiếm trên internet và nhiều hướng dẫn thực hiện bằng cách k phân cụm nhưng chỉ sau khi chuyển đổi hình ảnh sang thang màu xám. Tôi chỉ muốn làm điều đó với một hình ảnh RGB. Có nguồn nào có thể giúp tôi bắt đầu với nó không? Xin đề nghị một cái gì đó.

Tôi đã hack cùng một giải pháp cho việc này và đã viết một bài viết trên blog về một chủ đề rất giống nhau, mà tôi sẽ tóm tắt ở đây. Kịch bản nhằm trích xuất một dòng sông từ hình ảnh NAIP 4 băng tần bằng cách sử dụng phương pháp phân loại và phân loại hình ảnh.

1. Chuyển đổi hình ảnh thành một mảng numpy
2. Thực hiện phân đoạn dịch chuyển nhanh (Hình 2)
3. Chuyển đổi phân đoạn sang định dạng raster
4. Tính toán NDVI
5. Thực hiện thống kê khu vực trung bình bằng cách sử dụng các phân đoạn và NDVI để chuyển các giá trị NDVI sang các phân đoạn (Hình 3)
6. Phân loại phân khúc dựa trên giá trị NDVI
7. Đánh giá kết quả (Hình 4)

Ví dụ này phân đoạn một hình ảnh bằng cách sử dụng phân cụm quickshift trong không gian màu (x, y) với 4 dải (đỏ, lục, lam, NIR) thay vì sử dụng phân cụm K-nghĩa. Phân đoạn hình ảnh được thực hiện bằng cách sử dụng gói hình ảnh scikit . Chi tiết hơn về một loạt các thuật toán phân đoạn hình ảnh trong hình ảnh scikit ở đây . Để thuận tiện, tôi đã từng arcpythực hiện nhiều công việc của GIS, mặc dù điều này khá dễ dàng để chuyển sang 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')

Bạn có thể nhìn vào cụm trong scikit-learn . Bạn sẽ cần đọc dữ liệu thành các mảng numpy (tôi muốn đề xuất rasterio ) và từ đó bạn có thể thao tác dữ liệu để mỗi dải là một biến để phân loại. Ví dụ, giả sử bạn có ba dải đọc vào python như red, greenvà bluemảng 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()

Lưu ý rằng phân cụm KMeans không tính đến kết nối trong tập dữ liệu.