基于深度学习的遥感影像道路检测

介绍

卫星图像分割是一项计算机视觉任务，涉及将图像划分为多个片段或区域以简化其表示。在这个项目中，我专注于分割卫星图像，以确定对城市规划、交通管理和基础设施开发等各种应用至关重要的道路区域。

使用的数据集和库

在深入了解实现细节之前，我们先简要讨论一下该项目中使用的数据集和库：

• 数据集：我们将使用 DeepGlobe 道路提取数据集 ( LINK ) 来训练我们的模型，该数据集由标有路段的高分辨率卫星图像组成。
• 库：我们的实现依赖于多个 Python 库，包括 OpenCV、NumPy、PyTorch 和分割模型 PyTorch。这些库提供图像处理、数据操作和深度学习模型训练的基本功能。

第 1 部分：数据预处理和模型训练

概述

我们实施的第一部分涉及数据预处理和模型训练。我们将准备卫星图像数据，对其进行预处理，并训练用于道路检测的深度学习模型。

代码说明

让我们分解一下代码的关键组成部分：

import os
import cv2
import numpy as np
import pandas as pd
import random
import tqdm
import seaborn as sns
import matplotlib.pyplot as plt
import segmentation_models_pytorch as smp
from segmentation_models_pytorch import utils
import warnings
warnings.filterwarnings("ignore")
import torch
import torch.nn as nn
from torch.utils.data import DataLoader
import albumentations as album

# Load metadata and preprocess data
DATA_DIR = r'C:\Users\MohammadalizadehkorM\Downloads\DeepGlobe Road Extraction Dataset'

metadata_df = pd.read_csv(os.path.join(DATA_DIR, 'metadata.csv'))
metadata_df = metadata_df[metadata_df['split']=='train']
metadata_df = metadata_df[['image_id', 'sat_image_path', 'mask_path']]
metadata_df['sat_image_path'] = metadata_df['sat_image_path'].apply(lambda img_pth: os.path.join(DATA_DIR, img_pth))
metadata_df['mask_path'] = metadata_df['mask_path'].apply(lambda img_pth: os.path.join(DATA_DIR, img_pth))
# Shuffle DataFrame
metadata_df = metadata_df.sample(frac=1).reset_index(drop=True)

# Perform 90/10 split for train / val
valid_df = metadata_df.sample(frac=0.1, random_state=42)
train_df = metadata_df.drop(valid_df.index)
len(train_df), len(valid_df)

# Define class names and RGB values
class_dict = pd.read_csv(os.path.join(DATA_DIR, 'class_dict.csv'))
class_names = class_dict['name'].tolist()
class_rgb_values = class_dict[['r','g','b']].values.tolist()

# Useful to shortlist specific classes in datasets with large number of classes
select_classes = ['background', 'road']

# Get RGB values of required classes
select_class_indices = [class_names.index(cls.lower()) for cls in select_classes]
select_class_rgb_values =  np.array(class_rgb_values)[select_class_indices]

# Define helper functions
def visualize(**images):
    """
    Plot images in one row
    """
    n_images = len(images)
    plt.figure(figsize=(20,8))
    for idx, (name, image) in e