Python遥感影像深度学习指南(1)-使用卷积神经网络（CNN、U-Net）和 FastAI进行简单云层检测

本文链接：https://blog.csdn.net/qq_16773699/article/details/135170514

这篇博客是【遥感影像深度学习】系列的第一章，介绍了如何使用Python和深度学习（特别是CNN、U-Net及FastAI库）从卫星图像中分割和检测云层。作者详细讲解了数据集准备、预处理、创建数据加载器、构建模型以及训练过程，展示了在有限的数据和简单设置下，仍能达到96%的准确率。

摘要由CSDN通过智能技术生成

【遥感影像深度学习】系列的第一章，Python遥感影像深度学习的入门课程，介绍如何使用卷积神经网络（CNN）从卫星图像中分割云层

1、数据集

在本项目中，我们将使用 Kaggle 提供的 38-Cloud Segmentation in Satellite Images数据集。

该数据集由裁剪成 384x384 （适用于深度学习）的卫星场景组成。总共有 8400 个用于训练和 9201 个用于测试的图块，分别位于红、绿、蓝和近红外（近红外）波段的目录中，还有一个额外的目录用于存储参考掩膜（真实值 - *_gt）。结构如图 2 所示。

2、数据预处理

为了给神经网络准备好数据，我们首先需要对数据进行预处理，以适合我们的模型。由于我们将使用预训练的 ResNet 框架，因此模型中只能拟合 3 个波段，最好是 RGB 波段，因为模型已经用这些波段进行了预训练。因此，数据预处理的第一步就是从给定的图像中创建 RGB patch小块。我们将使用 PIL（Python Imaging Library，Python 图像库）打开红、绿、蓝 .tif 图像，并将其保存为单一的 RGB .png 文件。下面的代码就可以做到这一点（确保与原始数据集的结构相同），并对图像进行归一化处理。

from PIL import Image
from pathlib import Path
import numpy as np

def create_rgb_pil (red_filename: Path):
    # set the filenames for each patch
    red_fn = str(red_filename)
    blue_fn = red_fn.replace('red','blue')
    green_fn = red_fn.replace('red', 'green')
    rgb_fn = red_fn.replace('red', 'rgb').replace('.TIF', '.png')
    
    # open red, green and blue patches as numpy arrays
    arr_red = np.array(Image.open(red_fn))
    arr_green = np.array(Image.open(green_fn))
    arr_blue = np.array(Image.open(blu