标签：深度 SuperView ROI 矢量 Raster ENVI 图像 工具
软件试用：https://www.cnblogs.com/enviidl/p/16275745.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
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
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
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
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
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
2.1
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
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
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
利用ROI工具如下菜单，将矢量导入，另存为ROI。
3
3.1
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
训练工具为：/Deep Learning/Train TensorFlow Mask Model
4
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
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。
6
|
笔记本 |
DELL 7520 |
ThinkPad T440p |
|
|
硬件配置 |
CPU |
i7-7700HQ |
i7-4710MQ |
|
内存 |
64GB |
16GB |
|
|
硬盘 |
SSD |
SSD |
|
|
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 |
|
标签：深度,SuperView,ROI,矢量,Raster,ENVI,图像,工具 来源： https://www.cnblogs.com/enviidl/p/16309298.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。