遥感图像变化检测数据集的制作（深度学习）

qq_41627642

已于 2023-12-11 18:11:06 修改

阅读量2.3k

点赞数 1

分类专栏：深度学习深度学习变化检测论文阅读文章标签：深度学习神经网络 pytorch

于 2021-09-10 10:06:21 首次发布

本文链接：https://blog.csdn.net/qq_41627642/article/details/120214725

版权

本文介绍了遥感图像变化检测的数据集制作过程，包括大图分块、双时相图像标注、标注存储和小图裁剪。通过深度学习方法，针对多时相遥感图像进行变化区域的检测，利用labelme进行多边形标注，并提供Python代码示例。

摘要由CSDN通过智能技术生成

与计算机视觉中的目标检测不同，遥感图像目标检测的检测范围更大，例如机场内的飞机检测、港口内的舰船检测，根据影像分辨率的不同，检测所需图像数据相比自然图像更多、范围更大，如下图1。以高分系列卫星数据为例，高分二号空间分辨率最高达到0.8m，成像幅宽45km；高分六号空间分辨率为2m，成像幅宽800km。

在给定大范围区域快速对感兴趣目标进行搜索任务时，一般最常见的思路就是“化整为块”，将大幅图像分块为不同的小块，块之间可以不重叠，也可以重叠，块的大小满足目标检测算法的输入要求，例如Faster RCNN的输入大小一般设置为1024*1024，对每个块进行检测，然后将结果进行拼接，输出检测信息及包含目标的图像块，经纬度坐标等等。

一、待处理的图像大小为43648*53759像素，空间分辨率为4.5m，覆盖面积约10559平方公里。分块的python代码如下(这里只考虑无重叠分块，有重叠后续再更新)：大幅的遥感影像（TIF）格式裁剪到2048后，转化为png格式

参考博客

### 2.1 tif格式图像的切
'''- 切割环境：**python3、gdal、windows**
- **Gdal的安装：**
- **tif格式图像的切割代码：**'''
import os
import numpy
from osgeo import gdal
from PIL import Image
Image.MAX_IMAGE_PIXELS = None
class GRID:
    # 读TIF图像文件
    def read_img(self, filename):
        dataset = gdal.Open(filename)  # 打开文件

        im_width = dataset.RasterXSize  # 栅格矩阵的列数
        im_height = dataset.RasterYSize  # 栅格矩阵的行数
        im_geotrans = dataset.GetGeoTransform()  # 仿射矩阵
        im_proj = dataset.GetProjection()  # 地图投影信息
        im_data = dataset.ReadAsArray(0, 0, im_width, im_height)  # 将数据写成数组，对应栅格矩阵
        del dataset
        return im_proj, im_geotrans, im_data

    # 写文件，以写成tif为例
    def write_img(self, filename, im_proj, im_geotrans, im_data):
        # gdal数据类型包括
        # gdal.GDT_Byte,
        # gdal .GDT_UInt16, gdal.GDT_Int16, gdal.GDT_UInt32, gdal.GDT_Int32,
        # gdal.GDT_Float32, gdal.GDT_Float64

        # 判断栅格数据的数据类型
        if 'int8' in im_data.dtype.name:
            datatype = gdal.GDT_Byte
        elif '