keras神经网络水体预测

Keras神经网络深度学习提取水体，采用了面状样本，简化了采样过程，结果为水体可能性。

1、原图

 2、面状样本  0为非水体，1为水体

3、水体提取结果：从红色到蓝色（从0-1），是水体的可能性逐步增加。

 4、部分代码

    # 获取世界文件
    src_img1 = gdal.Open(raster1)
    geo_trans1 = src_img1.GetGeoTransform()
    
    nBands1 = src_img1.RasterCount
    nBands=nBands1
    # 使用pyshp
    m_shp = shapefile.Reader("{}.shp".format(shp))  # 打开shp
    # 将图层扩展转换为像素坐标
    min_x, min_y, max_x, max_y = m_shp.bbox
    ul_x, ul_y = world2pixel(geo_trans1, min_x, max_y)
    lr_x, lr_y = world2pixel(geo_trans1, max_x, min_y)
    # 计算新图片像素尺寸
    px_wid = int(lr_x - ul_x)
    px_hei = int(lr_y - ul_y)
    clip_img = src_arr[:, ul_y:lr_y, ul_x:lr_x]
    # 为图片创建一个新的geomatrix对象以便附加地理参考数据
    geo_trans = list(geo_trans1)   
    geo_trans[0] = min_x
    geo_trans[3] = max_y    
    s=0#循环指针   
    TrainData = np.empty(shape=[0, nBands])
    TrainLabel=[]
    while s<m_shp.numRecords:
       
       pixels = []
       for p in m_shp.shape(s).points:
          pixels.append(world2pixel(geo_trans, p[0], p[1]))
       raster_poly = Image.new('L', (px_wid, px_hei), 1)
       # 使用PIL创建一个空白图片
       raster_rize = ImageDraw.Draw(raster_poly)
       raster_rize.polygon(pixels, 0)
       # 将PIL转换为numpy
       mask_arr = img2array(raster_poly)
       # 裁剪
       clip_arr = gdal_array.numpy.choose(mask_arr, (clip_img, 0)).astype(gdal_array.numpy.uint16)
       clip_arr = changeDimension(clip_arr)      
       a2=clip_arr[~(clip_arr==0).all(1)] 
       TrainData = np.append(TrainData, a2, axis=0)
       #读取样本标注信息,查找起来太麻烦，直接读取最后一位              
       value=m_shp.record(s)[-1]
       lable= np.array([value for j in range(0, len(a2))])#for i in range(0, 1
       TrainLabel=np.append(TrainLabel,lable,axis=0)  
       s=s+1
    # 开始使用深度学习模型
    # 数据数归一化
    TrainData = normalization(TrainData)#xTrain / 255.0
    TrainLabel = normalization(TrainLabel)#xTest / 255.0

源码下载地址：

https://download.csdn.net/download/sailingw/20818136