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