ENVIFormat开源样本库使用教程-编程知识

ENVIFormat开源样本库使用教程

news/2024/9/20 7:41:44/文章来源:https://www.cnblogs.com/enviidl/p/18289727

前段时间分享了两个开源样本库：GID-ENVIFormat和Five-Billion-Pixels-ENVIFormat样本库。这两个样本库均包含大量影像底图和高质量的样本数据。GID-ENVIFormat样本库包含5类别和15类别样本数据，Five-Billion-Pixels-ENVIFormat包含24类别样本数据。有关样本库数据的获取可参考：

GID-ENVIFormat样本库获取链接：

https://www.cnblogs.com/enviidl/p/18195824

Five-Billion-Pixels-ENVIFormat样本库获取链接：

https://www.cnblogs.com/enviidl/p/18245365

有了样本数据，就可以使用ENVI深度学习工具方便地进行深度学习模型训练和图像分类了。本文以Five-Billion-Pixels-ENVIFormat样本库数据的使用为例，介绍使用ENVI深度学习工具进行图像信息提取的操作流程。

1. 选择数据

在进行深度学习操作之前，首先要确定使用的数据，样本库中包含了8位3波段RGB图像和16位4波段原始图像，根据待分类图像的类型选择使用的影像底图。如果待分类的图像是3波段字节型数据可选择8bit_RGB数据进行后续的模型训练。如果是原始4波段数据，可以使用16bit_BGRNir数据进行模型训练。

2. 生成标签图像

确定好底图数据之后，需要和分类图像一起生成标签图像，从而训练深度学习模型。Image_Class文件夹中的数据为分类图像。在ENVI工具箱中，使用由分类图像构建标签图像工具（Build Label From Classification）。

在工具中，输入栅格选择影像底图，输入分类图像选择已有分类图像。在类别名称选项中，选择性地输入分类图像中已有的类别名。如果不设置默认提取所有类别从而生成标签图像。如果仅想提取单独的几个类别，可输入这几个类别的类别名，例如本例中仅想提取水面相关的类别，则可在类别名称选项中输入已有的几个水面相关的类别名，从而生成标签图像。Five-Billion-Pixels-ENVIFormat样本库中包含了如下类别：

表1 Five-Billion-Pixels-ENVIFormat样本库类别

序号	英文类别名	中文类别名
1	industrial area	工业区
2	paddy field	水田
3	irrigated field	灌溉田
4	dry cropland	旱地
5	garden land	园地
6	arbor forest	乔木林地
7	shrub forest	灌木林地
8	park	公园
9	natural meadow	天然草地
10	artificial meadow	人工草地
11	river	河流
12	urban residential	城市居民区
13	lake	湖泊
14	pond	池塘
15	fish pond	鱼塘
16	snow	雪
17	bareland	裸地
18	rural residential	农村居民区
19	stadium	体育场
20	square	广场
21	road	道路
22	overpass	立交桥
23	railway station	火车站
24	airport	机场

对生成的标签图像的最后一个Label Mask波段进行密度分割，可以看到里面包含的五个类别样本。

如果要批量生成标签图像，可在ENVI Modeler建模工具中构建批处理模型，如下图所示的批处理模型可在样本库获取链接中下载。

3. 训练深度学习模型

生成深度学习标签图像之后就可以进行深度学习模型训练了。ENVI深度学习需要英伟达独立显卡，推荐8G以上显存，会有一个更快的训练速度。在ENVI工具箱中，使用训练像元分类模型工具（Train TensorFlow Pixel Model）。

在训练像素分类模型工具Main选项卡中，训练样本栅格和验证样本栅格选择上一步生成的标签图像，设置指标最优模型和最后一次训练模型的输出路径和文件名。如果想要得到一个训练更为充分的模型，可在Training选项卡中，将训练次数设置为一个较高的次数，例如500次，这样模型会有更充分的训练。理论上训练次数越多，精度指标越趋向更高，但注意这会大大增加训练时间。