KによるRGB画像の画像セグメンテーションはPythonでのクラスタリングを意味します

kを使用して土地被覆のRGB画像をセグメント化したいのですが、画像の異なる領域が異なる色でマークされ、可能であれば異なる領域を区切る境界が作成されるような方法でクラスタリングを行います。私は次のようなものが欲しい：

これから ：

K平均クラスタリングによってこれを達成することは可能ですか？私はインターネット全体を検索しており、多くのチュートリアルではkでクラスタリングを行っていますが、画像をグレースケールに変換した後でのみです。RGB画像のみでやりたい。私がそれを始めるのに役立つソースはありますか？何か提案してください。

私はこれに対する解決策をまとめてハッキングし、非常によく似たトピックについてブログ記事をしばらく書きました。ここで要約します。このスクリプトは、画像のセグメンテーションと分類のアプローチを使用して、4バンドのNAIP画像から川を抽出することを目的としています。

1. 画像を派手な配列に変換する
2. 迅速なシフトセグメンテーションを実行する（画像2）
3. セグメントをラスター形式に変換する
4. NDVIを計算する
5. セグメントとNDVIを使用して平均ゾーン統計を実行し、NDVI値をセグメントに転送します（画像3）
6. NDVI値に基づいてセグメントを分類する
7. 結果を評価する（画像4）

この例では、K平均クラスタリングを使用するのではなく、4バンド（赤、緑、青、NIR）のカラー（x、y）空間でクイックシフトクラスタリングを使用して画像をセグメント化します。画像分割は、scikit-imageパッケージを使用して実行されました。scikit-imageのさまざまな画像セグメンテーションアルゴリズムの詳細については、こちらをご覧ください。便宜上、arcpy以前はGIS作業の多くを行っていましたが、GDALへの移植はかなり簡単です。

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')

scikit-learnでクラスタリングを確認できます。データをnumpy配列に読み込む必要があります（ラスタリオをお勧めします）。そこからデータを操作して、各バンドが分類用の変数になるようにします。たとえば、3つのバンドとしてのpythonに読み込ま持っていると仮定するとred、greenとbluenumpyの配列：

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()

KMeansクラスタリングは、データセット内の接続を考慮しないことに注意してください。