利用多层感知机实现高分影像中的道路提取

1、数据与目的

实验数据: 分辨率为0.5m的高分遥感影像

实验目的：提取影响中的沥青路面道路

2、影像数据处理

前期数据处理在ENVI中实现。主要包括影像裁剪，道路矢量化，图像二值化。

2-1 数据裁剪

裁剪的目的：在图像中裁剪除两块有代表性的区域，分别作为机器学习的样本和测试数据。

裁剪效果：

train data:

test data: 

 

2-2 裁剪区域目标要素（道路）矢量化

目的：创建道路mask,并输出道路区域影像

2-3 裁剪区域以2-2结果为mask输出道路

输出结果：

2-4 将2-3结果二值化

利用决策树，将2-3结果二值化，其中，道路区域为1，非道路区为0，二值化表达式：b1 gt 0

二值化结果：

 3、机器学习识别

实验使用keras，使用多层感知机实现，最终预测结果为某一像素是道路的概率

实验中用到gdal库进行tiff数据的打开与保存

3-1 影像数据导入

from osgeo import gdal_array
import numpy as np


x_train_src="cut/cutcross.tif"
y_train_src="testdb/ch3.tif"
x_test_src="cut/cut2.tif"
y_test_src="testdb/ch7.tif"

x_train=gdal_array.LoadFile(x_train_src)
y_train=gdal_array.LoadFile(y_train_src)
x_test=gdal_array.LoadFile(x_test_src)
y_test=gdal_array.LoadFile(y_test_src)

3-2 数据矩阵处理

主要包括数据格式转换与范围转换，以满足机器学习模型要求。

最终将x_train转化为（n,3）的格式，n为 row*col ; y_train为（n,1）的二值矩阵

y_train与t_test类似。

3-3 创建模型与学习

hap=Sequential()
hap.add(Dense(256,activation='relu',input_shape=(3,)))
hap.add(Dense(128,activation='relu'))
hap.add(Dense(64,activation='relu'))
hap.add(Dense(32,activation='relu'))
hap.add(Dense(16,activation='relu'))
hap.add(Dense(1,activation='sigmoid'))
hap.compile(optimizer=SGD(),loss="binary_crossentropy",metrics=['accuracy'])
hap.fit(x_train,y_train,epochs=1,validation_data=(x_test,y_test))

3-4 模型测试

读入一块新的数据进行测试效果

 

 原始影像（左）与检测结果（右）

4、实验缺陷

1、仅传入三个波段作为学习数据，未考虑影像中地物的空间特征。

2、使用影像切片学习的方式，操作复杂，效率低。

3、使用简单的多层感知机模型，模型待优化。