实例分割 | Instance Segmentation
Segments each individual object in the imagery (buildings, plots, tree canopies, ponds, etc.) into separate instances and extracts each instance's area, centroid, bounding box, and mean brightness, outputting an instance-annotation GeoJSON and an instance-label raster.
This skill is an offline numpy-equivalent implementation of the Mask R-CNN instance segmentation network: without relying on any deep learning framework, it reproduces the instance segmentation pipeline with "threshold / Otsu foreground separation → scipy connected-component labeling (4-/8-connectivity) → per-instance attribute extraction → geocoding". Connectivity differences, instance counting, and attribute computation are all verified by unit tests.
Dependencies / 依赖
pip install numpy rasterio scipy scikit-learn geopandas shapely
Usage / 使用方法
Example 1 (Synthetic data, offline)
python geoskill-instance-segmentation.py --bbox 116.0 39.0 117.0 40.0 --synthetic --output-dir ./out
Example 2: Real imagery + manual threshold + 4-connectivity
python geoskill-instance-segmentation.py --input scene.tif --threshold 80 --connectivity 4 --min-area 9 --output-dir ./out
Output / 输出
| File | Format | Description |
|---|---|---|
instances.geojson |
GeoJSON | Instance bbox polygons + area/centroid/brightness attributes |
instance_labels.tif |
GeoTIFF | Instance label raster (0 = background, 1..K = instances) |
output-manifest.json |
JSON | Run manifest (input/output/QA/exit code) |
Data Source / 数据源 / Source
Local single-/multi-band GeoTIFF (first band used), or a --synthetic scene (dark background + separated bright blobs).
Privacy / 隐私声明 / Privacy
- Runs offline by default;
--syntheticmode is fully offline with no network access. - All processing is performed locally; user data is never uploaded.
License / License
MIT
name: geoskill-instance-segmentation description: '阈值分割+连通域标记+实例属性提取，输出实例标注GeoJSON（离线numpy等价实现）'
实例分割 | Instance Segmentation
把影像中每个独立目标（建筑、地块、树冠、池塘等）分割为独立实例，并提取每个实例的面积、质心、边界框与平均亮度，输出实例标注 GeoJSON 与实例标签栅格。
本 skill 是 Mask R-CNN 实例分割网络的离线 numpy 等价实现：不依赖深度学习框架，用"阈值/Otsu 前景分离 -> scipy 连通域标记（4/8 连通）-> 逐实例属性提取 -> 地理编码"复现实例分割流水线，连通性差异、实例计数与属性计算均有单元测试验证。
依赖
pip install numpy rasterio scipy scikit-learn geopandas shapely
使用方法
示例 1（合成数据，离线）
python geoskill-instance-segmentation.py --bbox 116.0 39.0 117.0 40.0 --synthetic --output-dir ./out
示例 2：真实影像 + 手动阈值 + 4连通
python geoskill-instance-segmentation.py --input scene.tif --threshold 80 --connectivity 4 --min-area 9 --output-dir ./out
输出
| 文件 | 格式 | 说明 |
|---|---|---|
instances.geojson |
GeoJSON | 实例 bbox 多边形 + 面积/质心/亮度属性 |
instance_labels.tif |
GeoTIFF | 实例标签栅格（0=背景，1..K=实例） |
output-manifest.json |
JSON | 运行清单（输入/输出/QA/退出码） |
数据源 / Source
本地单/多波段 GeoTIFF（取首波段），或 --synthetic 合成场景（暗背景 + 分离明亮斑块）。
隐私声明 / Privacy
- 默认离线运行，
--synthetic模式完全无网络。 - 所有处理在本地完成，不上传任何用户数据。
License
MIT