如何在R中基于PNG图像的RGB信息实现逐像素材质区分？

检索方向调整提示 #

此前检索未获得有效结果，通常是关键词匹配偏差导致，可使用以下关键词检索对应参考内容：

• 逐像素色彩阈值分类 R实现
• 自然场景材质RGB判别范围
• 像素级光谱特征分类

核心实现逻辑 #

完全采用逐像素独立判定的流程，不引入任何基于对象分割、区域聚合的处理步骤。通过不同材质的固有RGB反射特征划定阈值区间，对每个像素单独匹配所属类别。
自然场景下三类常见材质的典型RGB判别特征（基于0-255取值区间）：

• 植被：叶绿素的强反射特征使G通道值显著高于R、B通道，一般满足G > R +15、G > B +15，G值范围60-190。
• 土壤：呈现暖棕色调，通道值随土壤类型变化满足R > G > B的顺序，R值范围80-190，B值通常低于130。
• 金属：表面反射接近中性灰，三通道值的极差小于20，无明显单色通道主导特征，平均亮度普遍高于100。

可直接复用的代码实现 #

衔接你已完成的图像读取流程，补充逐像素分类的逻辑如下：

# 单像素分类函数，输入为单像素RGB值（0-1区间）
classify_single_pixel <- function(rgb) {
  # 转换为0-255取值区间
  rgb255 <- round(rgb * 255)
  r <- rgb255[1]
  g <- rgb255[2]
  b <- rgb255[3]
  channel_gap <- max(rgb255) - min(rgb255)

  # 按优先级逐类判定
  # 植被判定
  if (g > r + 15 && g > b + 15 && g > 60) {
    return("plant")
  }
  # 金属判定
  if (channel_gap < 20 && mean(rgb255) > 100) {
    return("metal")
  }
  # 土壤判定
  if (r > g && g > b && r > 80 && b < 130) {
    return("soil")
  }
  # 其余归为未知类
  return("unknown")
}

# 对整图所有像素应用分类规则
pixel_class <- apply(
  X = pic091800,
  MARGIN = c(1,2),
  FUN = classify_single_pixel
)

精度优化提示 #

• 上述通用阈值可直接用于初始测试，你可以从示例图中选取纯材质区域的典型像素值，微调每类的判定阈值即可提升准确率。
• 若通用阈值匹配效果不足，可提取图中每类材质的10-20个典型像素的RGB质心，通过计算每个像素到各类质心的欧氏距离完成分类，整个流程仍然为纯逐像素逻辑，不涉及对象维度的处理。

内容的提问来源于stack exchange，提问作者ahmathelte