《马宇龙-ENVI深度学习变化监测与对象检测.pdf》由会员分享,可在线阅读,更多相关《马宇龙-ENVI深度学习变化监测与对象检测.pdf(126页珍藏版)》请在三个皮匠报告上搜索。
1、ENVI深度学习变化监测与对象检测马宇龙遥感影像特征描述电磁波在四维时空中的传播规律,包含参量:强度波长偏振时间空间(空间位置,同时包括了相位信息)传输方向传输速度六种特性:强度特征波长特征偏振特征时间特征空间特征方向特征电磁波特性图片来源-wikiwand强度(振幅)波长偏振(极化)三个参量描述电磁波三个参量描述电磁波,=0遥感数据是波长、空间位置s、时间t、观测方向和偏振状态p的函数=,=,遥感数据的五种基本特征:光谱特征空间特征时间特征角度特征偏振特征有且只有五种特征,正交,独立。遥感影像特征光学遥感信息提取依据:光谱特征:What空间特征:Where时间特征(变化检测):When光学遥
2、感信息提取需要消除角度特征,没有偏振特征变化监测深度学习深度学习卷积层:滤波池化层:重采样损失函数:均方差、交叉熵优化器:基于梯度的优化深度学习工作原理参考:弗朗索瓦 肖莱.python深度学习ENVI深度学习使用的架构(称为ENVINet5)是基于Ronneberger、Fischer和Brox开发的U-Net架构。与U-Net一样,ENVINet5是一种基于掩码(mask-based)、编码器-解码器(encoder-decoder)的体系结构,用于对图像中的每个像素进行分类。处理单个切片流程:该架构有5个“级别”(levels)和27个卷积层(layers)。每个级别表示模型中不同的像素
3、分辨率。本示例使用的切片大小为572*572*3。ENVI深度学习工具架构 End-to-end端到端的工作流程。深度学习不需要特征工程,它将复杂的、不稳定的、工程量很大的流程替换为简单的、端到端的可训练模型,这些模型通常只用到五六种不同的张量运算。可复用。与之前的许多机器学习方法不同,深度学习模型无须从头开始就可以在附加数据上进行训练,因此可用于连续在线学习,这对于大型生产模型而言是非常重要的特性。深度学习优势之一ENVI深度学习变化监测提取变化地物:建筑物(变化厂房)、构筑物(新修道路),填河,动土,堆土等。深度学习变化监测建筑物构筑物动土填河变化地物类别建筑物建筑物(厂房)构筑物构筑物(
4、新修道路)填河动土堆土 目标:提取变化地物(建筑物、构筑物、动土、填河等)思路:直接使用深度学习对多期影像进行变化地物提取变化地物提取数据源卫星卫星数据数据级别级别波段波段波段数波段数空间分辨率空间分辨率(米)(米)覆盖面积覆盖面积(kmkm2 2)时间时间高分/资源系列正射镶嵌影像DOMR、G、B3222135两时期数据源预处理深度学习变化地物提取结果技术流程预处理主要为两时期影像的波段合成。在ENVI工具箱中选择,Raster Management/Build Layer Stack,选择两时相3波段影像数据,点击OK进行波段合成,得到两时期6波段合成结果。预处理深度学习步骤构建标签栅格训
5、练模型模型分类深度学习流程影像数据源训练深度学训练深度学习模型习模型使用模型进使用模型进行分类行分类分类结果转矢量矢量结果满意生成标签栅格勾绘子区域内样本选取影像子区域创建标签图像创建标签图像修改矢量ROI生成标签栅格再次训练模型不满意人工目视解译全市范围内绘制754个矢量样本样本获取创建标签图像之前首先需要获取样本。通过人工目视解译的方法绘制研究区范围内ROI样本,在ENVI上方工具栏点击ROI工具按钮,创建变化图斑ROI,沿着变化图斑轮廓绘制变化图斑样本。如下图所示:样本获取1.样本区域选取,全面覆盖多种地物类型。2.绘制样本尽可能的多。3.样本轮廓尽可能精确,不要多余地物。样本获取三原则
6、全多精样本矢量生成缓冲区(1000*1000pixels)将缓冲区合并合并后缓冲区矢量生成最小外接矩形使用最小外接矩形裁剪栅格样本库构建步骤沿矢量周围扩展1000*1000像素生成缓冲区并将缓冲区合并,之后生成最小外接矩形。使用外接矩形将影像切片创建模型训练样本库。在Toolbox中,选择Extensions/Frame Subset via Shapefile矢量分幅裁剪工具对影像进行分幅裁剪。构建样本库标签栅格用于深度学习模型训练,需要通过样本ROI和栅格影像构建标签栅格。对于大批量标签栅格的生成,可使用ENVI Modeler建模工具进行批量标签栅格的生成。在toolbox,选择Task
7、 Processing/ENVI Modeler打开建模工具,构建如下批处理模型,点击Run按钮运行模型,生成批量标签栅格。注:Generate Output Filename节点可在App Store中下载。生成标签栅格库标签栅格标签栅格库标签栅格库对于深度学习模型的训练,推荐使用随机化参数组的方法训练模型。(在进行随机化参数训练之前,需要先初始化一个深度学习模型)在Toolbox中,选择Deep Learning/Deep Learning Guide Map打开深度学习向导工具,在工具对话框选择Tools Randomize Training Parameters Using the E
8、NVI Modeler打开深度学习模型随机化参数训练工具。点击上方工具栏的Run按钮,弹出随机化参数训练对话框。训练模型随机化参数组方法训练模型,共训练得到42个模型,选择泛化能力最强的模型。训练模型不同模型泛化能力不同不同模型泛化能力不同选择好模型之后就可以使用已经训练好的模型进行变化地物提取。在Toolbox中,选择Deep Learning/TensorFlowMask Classification打开深度学习模型分类工具。Input Raster选择研究区数据Input Trained Model选择训练好的最优模型Output Classification Raster选择提取结果输
9、出路径和文件名Output Class Activation Raster选择类激活栅格输出路径,点击OK模型分类可进行分类后处理:小图斑处理聚类处理主次要分析等分类后处理深度学习分类结果在Toolbox中,选择Classification/Post Classification/Classification to Vector将分类栅格转为矢量。生成矢量结果通过输出的矢量结果生成最小外接矩形。在Toolbox中,选择Vector/Vector to Bounding Box,在弹出的对话框中选择上一步输出的矢量,Oriented Bounding Box选择Yes,根据图斑边界生成最小外接矩
10、形。生成最小外接矩形深度学习发现地表变化图斑42255个监测结果软件:ENVI 5.6 ENVI Deep Learning 1.1.2硬件(Dell Precision T3640图形工作站):CPU:Intel i9-9900K 显卡:NVIDIA RTX2080ti 显存11GB 内存:64GB 硬盘:SSD固态时间:模型训练时间:35分钟 全市目标提取时间:5小时30分钟时间统计Loss:一个无量纲的数值。用于表示模型与验证训练数据的匹配程度。0表示完全匹配。值越大,匹配越不准确。Accuracy:准确度,模型正确的预测与预测总数的比率。Precision:精密度,也被称为用户精度(u
11、ser accuracy)。表示正确分类的像元数占分类结果该类别像元数的比例。Recall:也被称为生产者精度(producer accuracy)。表示正确分类的像元数占该类别实际像元数的比例。F1:F1分数,是Precision 和 Recall 的调和平均值,计算公式如下:精度评价Loss:0.111Accuracy:0.946Precision:0.783Recall:0.953F1:0.853监测结果监测结果监测结果监测结果监测结果监测结果发现遗漏厂房发现遗漏厂房发现遗漏厂房发现遗漏厂房发现遗漏厂房发现遗漏厂房发现遗漏厂房发现遗漏厂房发现遗漏厂房发现遗漏厂房发现遗漏厂房发现遗漏厂房发
12、现遗漏厂房发现遗漏厂房发现遗漏厂房发现遗漏厂房发现遗漏厂房发现遗漏厂房发现遗漏厂房发现遗漏厂房发现遗漏厂房发现遗漏厂房监测结果监测结果监测结果监测结果监测结果监测结果监测结果监测结果监测结果监测结果监测结果监测结果几何畸变几何畸变几何畸变山部地区错误监测结果主要为几何畸变、太阳角度等几何畸变山顶和山脊线位置有偏差,两期影像叠加有双眼皮几何畸变山顶和山脊线位置有偏差,两期影像叠加有双眼皮几何畸变几何畸变几何畸变几何畸变几何畸变几何畸变几何畸变几何畸变双眼皮镶嵌DOM时,不同区域使用不同波段(镶嵌图中资源系列数据没有蓝波段)正射影像波段偏差红绿蓝通道使用R、G、B镶嵌红绿蓝通道使用NIR、R、G镶嵌干扰变化移动物体干扰变化大棚干扰变化云干扰变化冰面未发现图斑未发现图斑未发现图斑未发现图斑未发现图斑未发现图斑未发现图斑未发现图斑未发现图斑未发现图斑未发现图斑可有效发现地表变化,为变化图斑绘制提供辅助发现。有效的辅助发现变化发现ENVI深度学习对象检测ENVI深度学习ENVI深度学习V1.2新增对象检测功能标记标记目标训练训练模型分类模型分类ENVI深度学习对象检测汽车汽车3波段,波段,0.15米分辨率米分辨率N汽车汽车N汽车汽车N飞机飞机N飞机飞机N飞机飞机N飞机飞机N轮船轮船N建筑物厂房城中村空地蔬菜大棚绿地风力发电风车光伏发电板水体硬质地表汽车道路深度学习图像分类工具典型应用