遥感数据样本制作

秒速五厘米 2022-09-04 15:54 230阅读 0赞

> 如果说20世纪最重要的资源是石油，那么毫无疑问在21世纪“数据”将会取代石油的地位成为新时代的“宠儿”。

# 1.遥感中的深度学习 #

> 在真正了解如何制作样本之前，我们需要先了解一些深度学习的基础知识，搞清楚一些专有名词，这样我们才能知其然并知其所以然。在计算机视觉中，我们常常会听到这几个名词，如图片分类、目标检测、语义分割以及实例分割等等。那么他们到底是什么呢？  
> 简单来讲，图片分类是指将某一个图片进行分门别类，更准确的说就是将图片中的主体给识别出来，举个例子就是“这个图片里有个建筑物”，所以这个图片属于建筑物那一类。不过仅仅知道“这个图片里有个建筑物”其实并没有什么实际意义，因为我们除了关心一个物体的类别之外，更关心物体的位置，因此目标检测就是不仅可以将某一个图片中我们感兴趣的单个或多个物体给识别出来，而且还可以使用矩形框（Bounding Box）将物体的大致位置给标出来。但是很容易发现目标识别也有它的问题，那就是仅仅只用一个矩形框来表示一个物体的边界太粗糙了，因此语义分割就派上用场了，如果说前两者更关注于图片中的物体对象类别，那么语义分割则更关注于每个像素的类别，它可以将图片中每个像素分类到对应的类别上，这样就自然而然的可以得到更为精细的边界。到了这里我们可以停下来思考一下，语义分割真的就完美了吗？答案自然是否定的。因为语义分割只能识别某一类物体的类别，但无法区分同一类物体，举个例子就是假设一个图片中有两个建筑物，那么语义分割会怎么做呢，它会帮你把属于建筑物的像素给标出来，但是这中间会让人感觉缺少了一些东西，缺少了什么呢？其实就是“数量”，因为语义分割无法将同一类物体给区分开来，也就是说它无法将两个建筑物分为建筑物A和建筑物B，所以实例分割也就出现了，它可以将图像中的每个物体给识别出来并进行编号。  
> 到这里我们可以简单总结一下，图像分类关注的是“**类别**”，目标检测和语义分割关注的是“**类别+位置**”，实例分割关注的是“**类别+位置+数量**”，记住这几个关键词，我们的样本制作过程也将围绕着它们而展开。

# 2.遥感数据样本制作 #

> 如果说你真正了解了上述所说的内容，那么这一部分你即使不看也可以自己制作出样本数据，但正所谓“形而上学谓之道，形而下学谓之器，舍器而近道者几稀”，所以这里还是以遥感中最常用的语义分割与实例分割为例来了解样本制作的整个流程。

## 2.1语义分割样本制作 ##

（1）遥感影像预处理。我们不可能拿一幅本身与实际地物就有很大偏差的影像去做样本，所以影像的预处理工作是必不可少的一步，如辐射定标、大气校正以及几何校正等等，更多详细的内容可以去找本书或者是去ENVI技术殿堂逛一逛。  
（2）样本标注。在深度学习神经网络模型的设计和训练中，数据的标注质量会直接影像到模型的最终效果，所以在样本的标注过程中一定要严格遵守几点通用原则，如宁无不错、标签完整性以及所标即所见等原则，如下图所示。  
![在这里插入图片描述][93b13288579045aab58a392a8b4cf1be.png]![在这里插入图片描述][4a8a50a3d37541a28a6246a18f888af4.png]

（3）根据标注对遥感影像进行切片并生成标签。在保证标注和影像套和的前提下，我们选择一个切片工具来对影像进行切片，这类软件有很多，如Labelme、Arcgis Pro等等，以Arcgis Pro中的“导出训练数据进行深度学习”功能为例。  
![在这里插入图片描述][a985face3ed144db8f3b86e9637bd13a.png]![在这里插入图片描述][fbfd29c8dcec4a3ea6658622ead743e6.png]![在这里插入图片描述][f0567736fb9945ada17b961ac598f5dc.png]  
![在这里插入图片描述][0e149deb3e9e4d7e9ffc75b86182f1f5.png]![在这里插入图片描述][b3ba7ee1ea254763b7a8bd1b68e43b7c.png]![在这里插入图片描述][649a3ced59264808bd868bb3fb06a484.png]

如上图所示，最左侧是原始的影像与矢量叠加图，中间是原始影像的切片（1024\*1024），最右侧就是生成的标签图片。值得注意的是标签是一个单波段的图像，它的每一个不同的像素值就代表了一个类别，如像素值0代表背景（黑色）、1代表林地（灰色）以及2代表道路（白色），如果你还记得之前所说的语义分割关注的是“类别+位置”，那么再来看这个标签图就显得合情合理了，剩下的只需要将原始影像切片与标签一一对应就建立好了语义分割的数据集。

> 注：如果标注图像是黑乎乎的一片，请不要慌，这是正常的，这是因为像素值过小的缘故，你只需要在Arcmap中选择唯一值/拉伸显示就可以看到颜色了。

![在这里插入图片描述][56fd0b778f9a4b2ba9e3755a74382ba3.png]

## 2.2实例分割样本制作 ##

与语义分割类似，我们在进行图像预处理和标注之后，就可以生成实例分割样本，如下图所示。  
![在这里插入图片描述][7b7d16149ca44b7d9455d1163f1c316b.png]![在这里插入图片描述][a0e29f3896d148bea8cdd83619ac7a25.png]

![在这里插入图片描述][f620818b10c64f929be939124c889927.png]![在这里插入图片描述][c4885fd1c5744e8da99e95eba9a95620.png]

还记得实例分割的关键词是什么吗？“类别+位置+数量”，所以在这里的标签图（仅有林地）中，像素值0代表背景、1代表林地1、2代表林地2，…，以此类推。之后同语义分割一样建立影像切片与标签对应关系即完成了实例分割数据集的构建，如下图所示。  
![在这里插入图片描述][7f25ad7e5df64d2b982a092312837477.png]

# 3.小结 #

> 在使用深度学习进行遥感解译的过程中，最为核心的那自然是神经网络算法，但要说最为繁琐、耗费时间的一步那就要数遥感数据样本的制作，这可能会占到整个过程大约80%的时间，所以说公开且免费的每一个数据集都是来之不易的，要珍惜啊\*\_\*。

> 参考资料：[https://space.bilibili.com/1567748478/channel/detail?cid=175509&ctype=0][https_space.bilibili.com_1567748478_channel_detail_cid_175509_ctype_0]

[93b13288579045aab58a392a8b4cf1be.png]: https://img-blog.csdnimg.cn/93b13288579045aab58a392a8b4cf1be.png
[4a8a50a3d37541a28a6246a18f888af4.png]: /images/20220829/dbf6d5bcf42a4ffeaf5780b8110d518f.png
[a985face3ed144db8f3b86e9637bd13a.png]: https://img-blog.csdnimg.cn/a985face3ed144db8f3b86e9637bd13a.png
[fbfd29c8dcec4a3ea6658622ead743e6.png]: https://img-blog.csdnimg.cn/fbfd29c8dcec4a3ea6658622ead743e6.png
[f0567736fb9945ada17b961ac598f5dc.png]: /images/20220829/f658d9026d864d71b6f56802aa2a95f5.png
[0e149deb3e9e4d7e9ffc75b86182f1f5.png]: https://img-blog.csdnimg.cn/0e149deb3e9e4d7e9ffc75b86182f1f5.png
[b3ba7ee1ea254763b7a8bd1b68e43b7c.png]: https://img-blog.csdnimg.cn/b3ba7ee1ea254763b7a8bd1b68e43b7c.png
[649a3ced59264808bd868bb3fb06a484.png]: /images/20220829/19c1caff52124cf596911ea0e808898b.png
[56fd0b778f9a4b2ba9e3755a74382ba3.png]: /images/20220829/8e6d2a9eda634f6e91fa2e727e79f3c9.png
[7b7d16149ca44b7d9455d1163f1c316b.png]: https://img-blog.csdnimg.cn/7b7d16149ca44b7d9455d1163f1c316b.png
[a0e29f3896d148bea8cdd83619ac7a25.png]: /images/20220829/30ef3f0e9cf54aba981975384cc9d2cf.png
[f620818b10c64f929be939124c889927.png]: https://img-blog.csdnimg.cn/f620818b10c64f929be939124c889927.png
[c4885fd1c5744e8da99e95eba9a95620.png]: /images/20220829/f67c13b82e154982871b13b96a1bdfda.png
[7f25ad7e5df64d2b982a092312837477.png]: /images/20220829/c0cb708ee6654c02b51ede70163ef5d5.png
[https_space.bilibili.com_1567748478_channel_detail_cid_175509_ctype_0]: https://space.bilibili.com/1567748478/channel/detail?cid=175509&ctype=0