Press "Enter" to skip to content

【ENVI深度学习】利用SuperView数据进行建筑物提取测试

软件试用: http://blog.sina.com.cn/s/blog_764b1e9d0102ycm2.html

 

SuperView-1 全色分辨率 0.5 米,多光谱分辨率 2 米,轨道高度 530 公里,幅宽 12 公里,过境时间为上午 10:30 。由于 SuperView-1 卫星具有很高的敏捷性,可设定拍摄连续条带、多条带拼接、按目标拍摄多种采集模式,此外还可以进行立体采集。 SuperView-1 单次最大可拍摄 60 km × 70 km 影像。

 

本次采用 3 景 SV1 示例影像。数据来自航天世景公司,在此表示感谢。

 

下面介绍详细处理流程:

 

1    图像预处理

 

预处理包含正射校正 > 图像融合 > 图像镶嵌。

 

由于需要处理 3 对数据,所以均利用 ENVI App Store ( enviidl.com/appstore )中的批处理工具完成。所有工具均可在 App Store 中安装使用。

 

1.1   数据打开

 

利用“ 中国国产卫星支持工具 ”打开 3 景全色、 3 景多光谱图像。

 

 

1.2    批量正射校正

 

使用“ ENVI 栅格图像批处理工具包”中的批量正射校正工具完成:

 

/Extensions/Raster Processing Batch Tools/RPC Orthorectification Batch

 

由于 SV1 数据几何位置较准,直接使用了无控正射校正。

 

一次性将全色和多光谱输入 Input Rasters ,设置全色分辨率为 0.5 ,多光谱分辨率为 2 。

 

1.3    批量图像融合

 

使用“ ENVI 栅格图像批处理工具包”中的批量图像融合工具完成:

 

/Extensions/Raster Processing Batch Tools/Pan Sharpening Batch

 

对于国产卫星数据,建议使用 Gram-Schmidt 融合算法,能更好的保持原始色彩。

 

 

 

1.4    快速图像镶嵌

 

由于是同轨数据,不需要进行匀色等处理。

 

使用“ Raster Mosaic [Fast] 快速拼接工具”完成:

 

/Mosaicking/Raster Mosaic [Fast]

 

2    选择训练样本

 

2.1    图像裁剪

 

一般我们会选择一小部分图像用于选择样本。本次选择空间子集如下图所示。

 

 

2.2   下载 OpenStreetMap 矢量数据

 

本次目标是提取建筑物,本人很懒,想尽一切办法用一些现成的数据。灵机一动,就想到了 ENVI5.5.1 新增的一个工具( File > Open World Data > Download OpenStreetMap Vectors )。

 

首先全图显示裁剪结果图像,然后打开 Download OpenStreetMap Vectors ,自动下载当前视图范围的矢量。工具面板中选择 Buildings 和 Polygon 。

 

 

下载到矢量文件与图像位置存在整体偏移,而且有部分不准确的数据(猜测是时间不同导致的)。所以此时祭出 ArcGIS ,首先对矢量进行整体偏移,然后删除错误的记录。得到了可用的建筑物样本矢量,如下所示。

 

 

2.3    手绘其他建筑物

 

建议在已有 shp 文件的基础上直接绘制即可。我主要是为了展示手绘和下载的样本分布,所以在 ENVI 中新建多边形矢量,在绘制完成后,再使用 ArcGIS 中的 Merge 工具将两个 shp 进行合并。如下图所示:黄色为下载的矢量,绿色为本人辛辛苦苦手绘出来的,绘制到手抽筋。

 

下载矢量记录数: 259

 

手绘矢量记录数: 557

 

 

2.4    矢量转 ROI

 

利用 ROI 工具如下菜单,将矢量导入,另存为 ROI 。

 

 

3     训练深度学习模型

 

3.1    创建标签图像

 

利用裁剪图像和生成的 ROI ,创建标签图像,工具为:

 

/Deep Learning/Build Label Raster from ROI

 

3.2    训练深度学习模型

 

本次趁着某人休假,利用 ta 的高性能 DELL 笔记本进行测试,真的是酷爽无比。下文有效率对比章节。

 

训练工具为: /Deep Learning/Train TensorFlow Mask Model

 

 

4      建筑物提取

 

提取工具为: /Deep Learning/TensorFlow Mask Classification

 

本工具提取得到的是单波段灰度图像,即 Class Activation Image 。结果展示对其进行了密度分割。

 

5     结果展示

 

总体来说效果还可以。但是由于覆盖范围太广,各种建筑物类型都有,能达到这样的效果实属不易。而且本次的训练样本对于深度学习来说已经说是非常少了。主要误差在于个别裸地、道路、水体等也被提取了出来。极端特殊建筑物出现漏提现象。

 

就我个人而言,已经很开心了,当然还有改进的方向,继续努力中。

 

 

6     效率对比

 

笔记本DELL 7520ThinkPad T440p
硬件配置CPUi7-7700HQi7-4710MQ
内存64GB16GB
硬盘SSDSSD
显卡NVIDIA Quadro M2200 , 4GB渣,不重要,纯 CPU 运算
效率对比模型训练3 小时17 小时
目标提取1 小时 50 分钟16 小时进度只到 2/3 ,放弃

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注