加载中…
个人资料
ENVI-IDL技术殿堂
ENVI-IDL技术殿堂 新浪机构认证
  • 博客等级:
  • 博客积分:0
  • 博客访问:12,555,441
  • 关注人气:7,395
  • 获赠金笔:0支
  • 赠出金笔:0支
  • 荣誉徽章:
相关博文
推荐博文
谁看过这篇博文
加载中…
正文 字体大小:

【ENVI深度学习】利用SuperView数据基于ENVI深度学习进行建筑物提取

(2019-05-23 18:25:46)
标签:

深度学习

分类: ENVI

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3SV1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 Storeenviidl.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。

【ENVI深度学习】利用SuperView数据基于ENVI深度学习进行建筑物提取


 

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。

【ENVI深度学习】利用SuperView数据基于ENVI深度学习进行建筑物提取

【ENVI深度学习】利用SuperView数据基于ENVI深度学习进行建筑物提取


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。

【ENVI深度学习】利用SuperView数据基于ENVI深度学习进行建筑物提取

 


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BuildingsPolygon

【ENVI深度学习】利用SuperView数据基于ENVI深度学习进行建筑物提取

 

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。

【ENVI深度学习】利用SuperView数据基于ENVI深度学习进行建筑物提取

 

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

【ENVI深度学习】利用SuperView数据基于ENVI深度学习进行建筑物提取

 

2.4  矢量转ROI


利用ROI工具如下菜单,将矢量导入,另存为ROI

   【ENVI深度学习】利用SuperView数据基于ENVI深度学习进行建筑物提取


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


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

【ENVI深度学习】利用SuperView数据基于ENVI深度学习进行建筑物提取

 

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。

【ENVI深度学习】利用SuperView数据基于ENVI深度学习进行建筑物提取

【ENVI深度学习】利用SuperView数据基于ENVI深度学习进行建筑物提取

【ENVI深度学习】利用SuperView数据基于ENVI深度学习进行建筑物提取

 

6   效率对比


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 M22004GB

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

0

阅读 评论 收藏 转载 喜欢 打印举报/Report
  • 评论加载中,请稍候...
发评论

    发评论

    以上网友发言只代表其个人观点,不代表新浪网的观点或立场。

      

    新浪BLOG意见反馈留言板 电话:4000520066 提示音后按1键(按当地市话标准计费) 欢迎批评指正

    新浪简介 | About Sina | 广告服务 | 联系我们 | 招聘信息 | 网站律师 | SINA English | 会员注册 | 产品答疑

    新浪公司 版权所有