segmentation de l'image RVB par K signifie clustering en python

Je veux segmenter les images RVB pour la couverture terrestre en utilisant k signifie un regroupement de telle manière que les différentes régions de l'image sont marquées par des couleurs différentes et si possible des limites sont créées séparant les différentes régions. Je veux quelque chose comme:

de cela:

Est-il possible d'y parvenir par le clustering K-means? J'ai cherché partout sur Internet et de nombreux didacticiels le font par k moyens de clustering, mais uniquement après avoir converti l'image en échelle de gris. Je veux le faire avec une image RVB uniquement. Y a-t-il une source qui pourrait m'aider à commencer? Veuillez suggérer quelque chose.

J'ai piraté ensemble une solution pour cela et j'ai écrit un article de blog il y a quelque temps sur un sujet très similaire, que je résumerai ici. Le script est destiné à extraire une rivière d'une image NAIP à 4 bandes en utilisant une approche de segmentation et de classification d'images.

1. Convertir l'image en un tableau numpy
2. Effectuer une segmentation rapide de décalage (Image 2)
3. Convertir des segments au format raster
4. Calculer NDVI
5. Effectuer des statistiques zonales moyennes en utilisant des segments et NDVI pour transférer des valeurs NDVI vers des segments (Image 3)
6. Classer les segments en fonction des valeurs NDVI
7. Évaluez les résultats (Image 4)

Cet exemple segmente une image en utilisant le clustering quickshift dans l'espace couleur (x, y) avec 4 bandes (rouge, vert, bleu, NIR) plutôt qu'en utilisant le clustering K-means. La segmentation de l'image a été effectuée à l'aide du package scikit-image . Plus de détails sur une variété d'algorithmes de segmentation d'image dans scikit-image ici . Pour des raisons de commodité, je faisais une arcpygrande partie du travail SIG, bien que cela devrait être assez facile à transférer vers 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')

Vous pouvez regarder le clustering dans scikit-learn . Vous devrez lire les données dans des tableaux numpy (je suggérerais rasterio ) et à partir de là, vous pouvez manipuler les données afin que chaque bande soit une variable de classification. Par exemple, en supposant que vous avez les trois bandes lu en python comme red, greenet les bluetableaux 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()

Notez que le clustering KMeans ne prend pas en compte la connectivité au sein de l'ensemble de données.