合成孔径雷达SAR图像弱监督地物分类任务全流程(part2)

前情回顾及任务介绍：合成孔径雷达SAR图像弱监督地物分类任务全流程(part1)_Cheshire23的博客-CSDN博客

本章内容介绍：

        在part1完成了SAR图像数据集的下载和初步处理之后，本章将致力于对SAR图像进行类别标注，产生一个ground-truth，这是自制训练集、测试集的必要环节。

目录

一、 PauliRGB分解

二、使用labelme进行类别标注

三、偷个懒

四、参考视频教程

---

一、 PauliRGB分解

        PauliRGB分解是一种可视化SAR图像的技术，其主要原理是对每个像素点的四种极化方式HH、HV、VH、VV进行基于Pauli基的分解，将分解系数作为RGB彩色三通道的数值，从而使得能够通过人眼大致区分SAR图像中的不同地表特征。获得SAR图像的Pauli分解结果对于我们进行类别标注是至关重要的步骤。

        PauliRGB分解工作依然通过航天宏图开发的专业雷达影像处理软件PIE-SAR进行，其下载安装及授权方式详见本系列part1。

        打开PIE-SAR软件后进入主界面点击最上方菜单栏中的“极化SAR”-“极化分解”-“Pauli”，会出现如下界面：

         将输入路径选择为part1中经精致Lee滤波后的极化相干矩阵T3文件夹“T3_RefinedLee”，注意将文件格式改为tif，其余选项设置如下所示：

        待软件处理完成后即可在输出路径所示文件夹中找到以下文件：

        其中“Pauli_RGB.tif”即是我们所需要的的PauliRGB分解图像：

二、使用labelme进行类别标注

        接下来我们将依据刚才获得的PauliRGB图像以及真实雷达影像对美国San Francisco海湾地区进行地表类别分类，对于该数据集常见的划分是分为：低密度建筑、中密度建筑、高密度建筑、植被和海洋共五类。

        我们将通过python应用工具labelme进行类别标注，labelme安装过程请参考：图片标注工具Labelme的安装及使用方法_宗而研之的博客-CSDN博客

        安装完成后，我们通过命令行启动labelme，在Anaconda Prompt中依次输入如下指令并回车（我将labelme安装到了"tf-gpu"环境中，实际操作时只需将"tf-gpu"换为自己的包含labelme的环境即可）

        按下回车后出现labelme主界面：

        点击左侧菜单栏中的“Open”，找到我们刚才获得的PauliRGB分解图像，点击“Open”

         加载完成后点击左侧菜单栏中的“Create Polygons”即可开始进行标注，通过鼠标点击链接成一个闭环区域，即可位区域内的图像部分赋予一个类别标签，例如此时我们就将红色所示部分定义为了“Plant”这一类。（Ctrl+鼠标滚轮进行缩放）

        事实上我们并不需要对整幅SAR图像都进行类别标注，原因其一是我们并不需要如此大量的有标记样本数据，其二是这实在是一项相当费时费力的工作。笔者本人在完成这项工作时仅选择了左上坐标(100,1940)，右下坐标(670,2280)构成的矩形区域进行了类别标注，这个坐标的位置可以通过PIE-SAR软件中的探针工具进行查看，其大致范围如下图红框所示：

        在通过labelme完成这个区域内的类别标注之后（少部分难以判断所属类别的像素区域可以不进行标注，作为无标记样本使用）， 点击labelme主界面左侧菜单中的“Save”,新建一个文件夹保存json文件：

         然而真正送入神经网络的类别标记并不是这样的json格式，我们需要将其转换为一幅仅有不同类别颜色的图像，我们通过labelme工具自带的api接口完成这一任务。打开Anaconda Prompt命令行，输入“labelme_json_to_dataset [json文件保存位置]”，敲下回车之后出现两行英文即代表成功，如下所示：

此时我们就可以在刚才json文件所在的文件夹中找到我们需要的类别标记图像“label_png”：

 label.png全图过长，如下仅展示了部分，后续也会进行剪切处理

        这样我们就获得了制作训练集、测试集所必须的类别标记信息，后续章节将对本系列part1中获得的9通道SAR图像数据和本章中获得的类别标记数据作进一步的处理、分割，获得能够真正送入神经网络进行训练的SAR图像数据集。

三、偷个懒

        实话讲，为了获得ground-truth自己打标确实是一个十分费时费力的过程，笔者在完成本任务时就一直苦于网络上没有现成的ground-truth文件，于是才自学并完成了整个类别标记过程，耗费了大量的精力与时间，以及我的眼部健康。因此，为了方便大家，在这里直接将类别标记完毕最后得到的结果文件分享给大家，希望能让你们摆脱这一繁琐的工作。

四、参考视频教程

        本文中关于labelme使用的部分均参考自视频labelme标注 || 语义分割标注简单示意安装 与json格式的转换_哔哩哔哩_bilibili，原视频讲解十分细致，如看完本文仍有疑惑可以参考。