Sklearn——SVC学习笔记（图像分割）

新年第二更。

很长时间前就想总结一下用SVC来做图像分割的方法了，方法实现了，但是一直没有总结，今天再来回顾一遍。

首先介绍一下。今天要总结的图像分割其实属于像素级分类，其输出是把图像按照不同的类别逐像素的进行分割。这与常规的图片分类（如猫狗分类）这种图像分类是不一样的。

那么对于图像分割，主要有以下几个步骤：

1.首先插入颜色图（十进制）来对最终的分类进行赋值。

colors = ['#000000', '#FFFF00', '#1CE6FF']  #用16进制颜色条分类

2.然后输入数据，应当为样本点的RGB分量值，按列进行叠加concatenate,最后把所有的标签数据按行叠加，axis=0,如下：

lake_RGB = np.array( 
    [[134,116,78],[133,112,76],[132,111,78],[126,114,78],[131,112,77],
     [133,115,78],[134,113,77],[131,111,78],[133,111,79],[130,111,76]]
)

RGB_arr = np.concatenate((lake_RGB,grass_RGB,land_RGB),axis=0)

3.制作标签label，比如0000111112222，按行对应点的顺序进行叠加。

4.训练得到模型后，怎么预测图片呢？首先要把图片reshape成(cols*rows,band)的数据格式。输出后直接得到预测的标签，然后再reshape(rows,cols,band)，得到行列形式的图片。这就是输出。

5.最后plt.imshow(predict) 、plt.show() 、plt.imsave()

　　这里注意plt.imshow()只是对这个数据进行了处理，显示格式；而plt.show()对数据进行了可视化，显示了图片。随后plt.imsave()保存图片。

 

今后将对遥感图像CNN分割进行研究，学会用pytorch来搭建网络，实现工程。

还有混合像元的分解方向里面的ppi端元纯净度指数方法非常有意思，步骤是段元提取和丰度计算，个人感觉这种非监督分类的方法也是相当有意思。

此外，新的一年，希望GDAL、Pytorch、IDL、C++都能顺利学会吧！

2020/1/1