segmentación de imagen de imagen RGB por K significa agrupación en python

Quiero segmentar las imágenes RGB para la cobertura del suelo usando k significa agrupar de tal manera que las diferentes regiones de la imagen estén marcadas con diferentes colores y, si es posible, se crean límites que separen las diferentes regiones. Quiero algo como:

de esto :

¿Es posible lograr esto mediante la agrupación de K-means? He estado buscando en todo Internet y muchos tutoriales lo hacen por medio de clusters, pero solo después de convertir la imagen a escala de grises. Quiero hacerlo solo con una imagen RGB. ¿Hay alguna fuente que pueda ayudarme a comenzar con esto? Por favor sugiera algo.

Hackeé una solución para esto y escribí un artículo de blog hace un tiempo sobre un tema muy similar, que resumiré aquí. El guión está destinado a extraer un río de una imagen NAIP de 4 bandas mediante un enfoque de segmentación y clasificación de imágenes.

1. Convierta la imagen en una matriz numpy
2. Realizar una segmentación de turno rápido (Imagen 2)
3. Convertir segmentos a formato ráster
4. Calcular NDVI
5. Realice estadísticas zonales medias usando segmentos y NDVI para transferir valores NDVI a segmentos (Imagen 3)
6. Clasificar segmentos basados ​​en valores NDVI
7. Evaluar resultados (Imagen 4)

Este ejemplo segmenta una imagen usando la agrupación de cambio rápido en el espacio de color (x, y) con 4 bandas (rojo, verde, azul, NIR) en lugar de usar la agrupación K-means. La segmentación de la imagen se realizó utilizando el paquete scikit-image . Más detalles sobre una variedad de algoritmos de segmentación de imágenes en scikit-image aquí . Por conveniencia, solía arcpyhacer gran parte del trabajo de SIG, aunque esto debería ser bastante fácil de transferir a 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')

Podrías ver la agrupación en scikit-learn . Tendrá que leer los datos en matrices numpy (sugeriría rasterio ) y desde allí puede manipular los datos para que cada banda sea una variable para la clasificación. Por ejemplo, suponiendo que tiene las tres bandas leen en Python como red, greeny bluematrices 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()

Tenga en cuenta que la agrupación de KMeans no tiene en cuenta la conectividad dentro del conjunto de datos.