# Semantic-segmentation-of-remote-sensing-image <br>基于深度学习关于遥感影像的语义分割
首先看一下数据集,包含原始影像与标签,实际的分辨率很大,这个只是缩略图。<br>
影像数据是Landsat8卫星的,用五四三波段进行合成,并利用GS方法进行全色第八波段的融合。(Envi软件处理)<br>
标签是通过矢量图层以ArcGIS软件来处理生成的。<br>
此代码库可在Tensorflow下keras环境运行,在Tensorflow1.12及Tensorflow2.0测试运行,代码更改后,更适合于Tensorflow2.0<br>
![train](https://github.com/1044197988/Semantic-segmentation-of-remote-sensing-images/blob/master/Data/train.png)
![label](https://github.com/1044197988/Semantic-segmentation-of-remote-sensing-images/blob/master/Data/label.png)
<br>
## Unet、FPN模型及嵌入相关模块后的结果:
通过fit_generator运行,所以生成器需要自己编写,FCN8S与Segnet均为序列式模型与Keras的Model类有些不同,可以调用更多的方法。<br>
展示一下Unet模型及FPN模型在此数据集上的结果,结果比Segnet与FCN好太多,所以就在这里不对比Segnet与FCN了。<br>
其中Unet未经过预训练,其他集成的模块都经过了Imagenet预训练,并且测试都是通过划分数据来进行测试的,train75%,val25%。
### 准确率对比:
![ACC](https://github.com/1044197988/Semantic-segmentation-of-remote-sensing-images/blob/master/Image/Acc.png)
### Iou对比:
![IOU](https://github.com/1044197988/Semantic-segmentation-of-remote-sensing-images/blob/master/Image/IOU.png)
### Loss对比:
![Loss](https://github.com/1044197988/Semantic-segmentation-of-remote-sensing-images/blob/master/Image/Loss.png)
### 参数对比:
在相同的硬件条件下运行:
![参数](https://github.com/1044197988/Semantic-segmentation-of-remote-sensing-images/blob/master/Image/dd.png)
## 不同全色波段融合方法的结果:
在目录里可以看到,这个影响不大。
## Unet++模型结果:
### 混淆矩阵百分比:
![混淆矩阵](https://github.com/1044197988/Semantic-segmentation-of-remote-sensing-images/blob/master/Unet%2B%2B结果/confusion_matrix.png)
### 混淆矩阵像素数:
![混淆矩阵](https://github.com/1044197988/Semantic-segmentation-of-remote-sensing-images/blob/master/Unet%2B%2B结果/confusion_matrix_None.png)
### 相关统计:
当中1,2,3,4,5,15分别代表预测后的像素值,每个像素值代表一类
![1](https://github.com/1044197988/Semantic-segmentation-of-remote-sensing-images/blob/master/Unet%2B%2B结果/分类报告.png)
![2](https://github.com/1044197988/Semantic-segmentation-of-remote-sensing-images/blob/master/Unet%2B%2B结果/整体统计.png)
![3](https://github.com/1044197988/Semantic-segmentation-of-remote-sensing-images/blob/master/Unet%2B%2B结果/类别统计.png)
## 结果图的拼接痕迹问题:
我认为这个很大概率上跟模型的拟合能力、泛化能力有关,所以这个问题不用考虑,只要能够训练到所有的像素就可以了。
Unet等相关模型预测的图,“拼接痕迹”很小。
## 代码运行:
弄好数据集后,需要切割,切割的话这个可以参考一下生成数据并增强.py,更改相关参数即可。<br>
然后通过里面的Segnet的训练程序启动即可,需要修改参数。<br>
这个Segnet、FCN8S是用序列式类来实现的模型,所以预测的话是跟Model类有一点不相同,就是可以调用predict_classes的方法。<br>
Model类文件里提供了使用Model类的模型的预测方法。<br>
以上所有代码只是提供参考,训练其他数据的话很多参数需要自己修改,甚至生成器也需要更改,如果想对数据类别进行加权或使用样本权重,主要记得在生成器中做修改就可以了。
## CRF后处理:
模型预测完毕后,可以使用CRF进行后处理,CRF.py文件提供了相关代码参考,但未必保证结果可靠。
### GDAL
如果自己做的图包含多个波段(往往大于4个),Opencv或PIL就不太顶用了,这时候GDAL就派上用场了<br>
例如我有一个十波段图像,用此函数读取后为numpy数组类,shape为[h,w,10]
```python
from osgeo import gdal
import numpy as np
def load_img(path):
dataset = gdal.Open(path)
im_width = dataset.RasterXSize
im_height = dataset.RasterYSize
im_data = dataset.ReadAsArray(0,0,im_width,im_height)
im_data = im_data.transpose((1,2,0)) #此步保证矩阵为channel_last模式
return im_data
```
# 提示
我的该贡献库中,提供了一些分割的模型及相关指标与损失的代码<br>
[1044197988-TF.Keras-Commonly-used-models](https://github.com/1044197988/TF.Keras-Commonly-used-models)
没有合适的资源?快使用搜索试试~ 我知道了~
精品--遥感图像的语义分割,基于深度学习,在Tensorflow框架下,利用TF.Keras,运行环境TF2.0+.zip
共37个文件
png:26个
py:9个
md:1个
需积分: 5 0 下载量 174 浏览量
2024-02-05
17:51:54
上传
评论
收藏 3.02MB ZIP 举报
温馨提示
精品--遥感图像的语义分割,基于深度学习,在Tensorflow框架下,利用TF.Keras,运行环境TF2.0+
资源推荐
资源详情
资源评论
收起资源包目录
精品--遥感图像的语义分割,基于深度学习,在Tensorflow框架下,利用TF.Keras,运行环境TF2.0+.zip (37个子文件)
ahao2
Segnet
训练.py 10KB
Segnet-混淆矩阵.png 57KB
Segnet预测.py 3KB
Segnet模型结果.png 1.31MB
plot.png 53KB
GDAL
GDAL.py 292B
Model类
Predict.py 2KB
Unet.py 4KB
生成数据并增强.py 4KB
LICENSE 11KB
FCN8s
混淆矩阵.png 57KB
FCN8S.py 4KB
FCN8S预测.py 3KB
FCN8S模型结果.png 1.31MB
FCN8S-plot.png 42KB
CRF.py 5KB
Unet++结果
类别统计.png 85KB
整体统计.png 31KB
confusion_matrix_None.png 71KB
分类报告.png 2KB
概要统计.png 33KB
confusion_matrix.png 53KB
不同全色波段融合方法结果
Unet-NND.png 62KB
Unet-GS.png 64KB
Unet-HSV.png 63KB
Image
Acc.png 50KB
IOU.png 51KB
888.png 30KB
Loss.png 41KB
777.png 28KB
999.png 30KB
Unet.png 9KB
FPN.png 10KB
dd.png 15KB
README.md 5KB
Data
train.png 218KB
label.png 203KB
共 37 条
- 1
资源评论
码农阿豪
- 粉丝: 1w+
- 资源: 1754
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功