geoskill-instance-segmentation

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

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

bash

pip install numpy rasterio scipy scikit-learn geopandas shapely

Usage / 使用方法

Example 1 (Synthetic data, offline)

bash

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

bash

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; --synthetic mode 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

bash

pip install numpy rasterio scipy scikit-learn geopandas shapely

使用方法

示例 1（合成数据，离线）

bash

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

bash

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