遥感图像处理笔记之【Automatic Flood Detection from Satellite Images Using Deep Learning】

遥感图像处理学习（7）

---

前言

遥感系列第7篇。遥感图像处理方向的学习者可以参考或者复刻

本文初编辑于2023年12月29日

---

文章标题：Automatic Flood Detection from Satellite Images Using Deep Learning

文章地址：https://medium.com/@omercaliskan99/automatic-flood-detection-from-satellite-images-using-deep-learning-f14fafd369e0

文章所涉及的代码：作者没给

---

这篇文章着眼于洪水灾害区域检测，作者使用多个模型，对洪水灾害前后卫星图像进行学习，最终对比各个模型的性能。
总结：SegNet杂鱼❤️~ 杂鱼❤️ ~

---

数据库介绍

Synthetic Aperture Radar （SAR）是一种用于高分辨率地球成像和移动目标探测的雷达系统，可用于载人和无人机平台。我们可以通过网站找到SAR图像数据集，也可以使用Sentinel-1或Sentinel-2等前人通过各种过滤器提取出的，适用于不同任务的数据集。
本文只使用了Sentinel-1。

Sentinel-1是用于陆地和海洋服务的极地轨道全天候昼夜雷达成像任务。Sentinel-1A于2014年4月3日发射升空，Sentinel-1B于2016年4月25日发射升空。主要应用：监测北极海冰范围、海冰测绘、海洋环境监测，土地变化、土壤含水量、产量估计、地震、山体滑坡、城市地面沉降、支持人道主义援助和危机局势，包括溢油监测、海上安全船舶检测、洪水淹没。
此处参考：https://zhuanlan.zhihu.com/p/356726375

Sentinel Application Platform（SNAP ）是由欧洲航天局开发的一种分析和编辑遥感图像的工具。

---

数据预处理

数据预处理工作总共四步。

轨道数据更新（原文：Apply Orbit File）：轨道数据保质期很短，模型训练前要更新一下。

热噪声去除（原文：Thermal Noise Removal）：就是去掉热噪声的意思。

校准（原文：Calibration）：SAR图像中可能发生速率和时间相关的辐射畸变，大气、地形什么的都可能造成误差，需要处理

散斑过滤器（原文：Speckle Filter）：从主要散射体反射的波影响会影响图像，需要处理

称Sentinel-1原数据为data，称经过预处理后的图像为mask。后面将mask变成512*512像素的图像方便模型训练。

---

模型原理

简单理解：就是找不同。

具体来说就是：输入洪水前图像和洪水后图像，先filter再concatenate，通过一个change detection network，得到两个图中的不同之处。

训练模型前，将图像数据分为：训练集80%，测试集10%，验证集10%

原文讲了一下语义分割、实例分割和目标检测的区别，简单讲了U-Net、LinkNet和SegNet之间的差别，有兴趣自己去看吧。

语义分割：通过分配相同的标签，对图片中相同的对象进行分类
实例分割：为所确定对象的每个实例分配一个唯一的标记
目标检测：要分类的对象在方框中表示

---

模型比较

第一，测试不同模型在预处理图像mask上的表现。文章这里好多图片不想贴，总之三个模型在各个阈值（threshold）下都是98%、97%左右的准确率

第二，测试不同模型在原图像data上的表现。文章这里好多图片不想贴，LinkNet和U-Net在各个阈值（threshold）下都是98%-96%的准确率，SegNet在各个阈值（threshold）下是90%-85%的准确率。SegNet真是杂鱼捏❤️~

第三，测试不同模型在没有参与训练的图像上的表现。SegNet真是杂鱼捏❤️~

---

对文章所涉及的代码的说明（无）

---