Question

我尝试使用KMeans质心标记/聚集像素进行土地覆盖分析。我希望只使用sklearn和matplotlib来做到这一点。目前我的代码看起来像这样：

kmeans.fit(band_5)
centroids = kmeans.cluster_centers_
plt.scatter(centroids[:, 0], centroids[:, 1])

band_5的形状是（713,1163），但从散点图中我可以看出质心坐标的值远远超过该形状。

根据我的理解，KMeans提供的质心需要转换为正确的坐标，然后转换为shapefile，然后在监督过程中使用它来标记/聚集像素。

如何将这些质心转换为正确的坐标，然后导出到shapefile？另外，我是否需要创建shapefile？

我试图采用这篇文章中的一些代码，但我无法让它工作。 http://scikit-learn.org/stable/auto_examples/cluster/plot_color_quantization.html#sphx-glr-auto-examples-cluster-plot-color-quantization-py

Answer 1

有几点：

scikit-learn期望列中的数据（想想电子表格中的表格），所以简单地传入表示栅格波段的数组实际上会尝试对数据进行分类，就好像你有1163个采样点和713个值（（每个样本）。相反，你需要flatten数组，如果你在像ArcGIS这样的东西中查看它，那么返回的kmeans将等同于你的栅格的分位数分类，质心在波段最小值的范围内波段最大值（不在单元格坐标中）。

看看你提供的例子，他们有一个三波段jpeg，它重塑为三个长列：

image_array = np.reshape(china, (w * h, d))

如果您需要具有空间受限的像素，那么您有两种选择：选择连接受约束的聚类方法，例如Agglomerative Clustering或Affinity Propagation，并查看将规范化的单元格坐标添加到样本集中，例如：

xs, ys = np.meshgrid(
    np.linspace(0, 1, 1163), # x
    np.linspace(0, 1, 713), # y
)
data_with_coordinates = np.column_stack([
    band_5.flatten(),
    xs.flatten(),
    ys.flatten()
])

# And on with the clustering

使用scikit-learn完成聚类后，假设您使用fit_predict，您将按群集为每个值获取一个标签，并且您可以重新塑造为乐队的原始形状以进行绘制聚集的结果。

labels = classifier.fit_predict(data_with_coordinates)
plt.imshow(labels.reshape(band_5.shape)

如果你有标记点，你真的需要群集质心吗？你在现实世界的空间坐标中需要它们吗？如果是，那么您需要查看rasterio和affine方法以从地图坐标转换为数组坐标，反之亦然。然后查看fiona将点写入shapefile。

Python：在土地覆盖分析中将KMeans Centroids转换为Shapefile以进行像素分类

1 个答案: