原始数据集详情
简介:该耕地地块数据集为吉林一号高分辨率卫星遥感影像,影像为四通道数据(B,G,R,NIR),分辨率为0.75~1.1米之间,训练集16张,测试集15张,行数与列数≥5000。
Key | Value |
---|---|
卫星类型 | 吉林一号 |
覆盖区域 | 未知 |
场景 | 未知 |
分辨率 | 0.75~1.1米 |
数量 | 训练集16张,测试集15张 |
单张尺寸 | 10000*8000左右 |
原始影像位深 | 8位 |
标签图片位深 | 8位 |
原始影像通道数 | 四通道数据(B,G,R,NIR) |
标签图片通道数 | 单通道 |
标签类别对照表
像素值 | 类别名(英文) | 类别名(中文) | RGB |
---|---|---|---|
0 | background | 背景 | 0,0,0 |
1 | cultivatedland | 耕地区域 | 255,0,0 |
彩色表添加
大家是否有这样的困惑?真值标签图片的像素值太小,比如1、2、3······,由于像素值太小,导致看上去标签图片全为黑色,无法看出真值标签与影像图片的像素位置是否对应?如果真值标签的像素值间隔太大,又无法直接作为训练样本。
其实有办法可以解决这个问题,那就是在像素值为1、2、3等的图片上添加一个彩色表,添加的彩色表不会改变标签图片的像素值,但是会有彩色的视觉效果,如下图所示:
数据预处理
下面对原始影像及标签进行模型训练前的数据预处理,根据这套数据集的原始信息,原始数据包括原始影像和RGB真值图片,需要将RGB波段转化为单波段图片,然后根据自己训练模型的图片尺寸大小使用代码批量裁剪原始影像和标签为所需要的尺寸,比如512*512,另外如果需要检查裁剪后的数据是否一一对应,最好给标签数据添加彩色表,这样就可以轻易看出影像和真值标签是否一致了。
最后可以直接用于训练的数据集结构如下所示:
├── train
│ ├── images
│ │ ├── 2522_0_0.tif
│ │ ├── 2522_0_512.tif
│ │ └── ......
│ └── labels
│ ├── 2522_0_0.tif
│ ├── 2522_0_512.tif
│ └── ......
└── val
├── images
│ ├── 2522_512_512.tif
│ ├── 2523_0_0.tif
│ └── ......
└── labels
├── 2522_512_512.tif
├── 2523_0_0.tif
└── ......
需要本博客相关数据集的小伙伴可私信哦!
01、官方原始数据集;
02、中间处理好的大图数据集;
03、裁剪后可直接训练的小图数据集;