使用skimage处理6波段多光谱影像分割苹果树输出异常咨询

问题原因排查 #

你使用cv2.split的语法本身没有问题，该函数的作用是按数组最后一个维度拆分数据，只要你用skimage.io.imread读取的影像返回数组形状为(行, 列, 6)，拆分逻辑是成立的。输出影像异常的核心原因大概率是以下几点：

• 波段匹配错误：skimage.io.imread读取多波段TIFF的顺序完全和文件存储的波段顺序一致，你需要先确认文件的第6个波段确实是高程波段，若拆分出来的C波段本身不是高程数据，后续结果自然异常。
• 数据类型截断：高程波段通常为浮点型（如float32），直接调用io.imsave存储时，skimage默认会将超出[0,1]范围的浮点值截断，或强制转为uint8类型，原始高程值会被完全破坏，看起来就像影像损坏。
• 异常值未处理：如果高程数据存在预设的nodata无效值（如-9999），滤波时会把无效值纳入计算，也会导致输出结果异常。
• 查看方式错误：普通图片查看器默认按8位彩色规则渲染单波段浮点数据，就算数据本身没问题，显示出来也会像“损坏”，需要用QGIS、ENVI等遥感软件查看数值是否正常。

修正后的参考代码 #

import numpy as np
from skimage import io, filters
import cv2

# 读取影像后先校验基础属性
trees = io.imread('ortho/OrthoRGBReNirCHM_Clip1.tif')
print(f"影像形状：{trees.shape}，数据类型：{trees.dtype}")
assert trees.shape[-1] == 6, "输入影像波段数不为6，请检查文件"

# 拆分波段后校验高程数值范围
R,G,B,Re,N,C = cv2.split(trees)
print(f"高程波段最小值：{np.nanmin(C)}，最大值：{np.nanmax(C)}")

# 裁剪并处理nodata无效值
C_cropped = C[0:1500, 0:1500]
nodata_value = -9999 # 替换为你的影像实际nodata值
C_cropped[C_cropped == nodata_value] = np.nan

# 中值滤波可自定义滤波核大小适配你的影像分辨率
kernel_size = 3
trees_denoised = filters.median(C_cropped, footprint=np.ones((kernel_size, kernel_size)), mode='nearest', behavior='ndimage')

# 保存时保留原始数据类型，避免自动截断
io.imsave("ortho/denoised.TIF", trees_denoised.astype(trees.dtype))

额外优化建议 #

如果后续要做苹果树分割，不建议只使用高程波段，可以结合近红外、红、红边波段计算NDVI、红边植被指数等特征，多特征联合的分割精度会远高于单高程波段的分割结果。

内容的提问来源于stack exchange，提问作者أيوب بن الشارف