基于iDesktopX的深度学习实践之提取建筑面

最新推荐文章于 2025-04-08 09:03:19 发布
最新推荐文章于 2025-04-08 09:03:19 发布
阅读量3.6k 收藏 20
点赞数 5
分类专栏： 桌面GIS 文章标签： 机器学习 人工智能
本文为博主原创文章，欢迎转载，SuperMap技术问答社区 http://ask.supermap.com
本文链接：https://blog.csdn.net/supermapsupport/article/details/104989704
版权
利用iDesktopX的深度学习功能，实现高效精准的建筑物地面提取。从数据准备、训练数据生成，到模型训练及分类，详述全流程操作指南。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

基于iDesktopX的深度学习实践之提取建筑面

作者：Neshoir

       随着人工智能技术的迅速发展，越来越多从事GIS研究或应用的组织开始积极投入到GIS与AI结合的技术创新工作中。目前的技术发展情况可见，AI能够为GIS提升多个方向的能力，如遥感影像处理、中文地址解析、时空分布预测等。超图最新发布的10i iDesktopX产品提供了基于深度学习的建筑物地面提取、目标检测、场景分类、二元分类、地物分类等功能，降低用户使用门槛，提升效率。用户只需准备用于学习的数据，以二元分类为例，我们将对影像里的建筑物提取为面对象。

一、数据获取与准备
1. 影像数据
  • 尽可能选分辨率高，质量高的数据。
分类说明
格式.tiff/.tif/.img格式
通道3通道，必须包含RGB
坐标epsg4326
位宽8 bit无符号

  • 目标提取蓝色厂房。

    在这里插入图片描述

2. 标注数据

  • 用IDesktopX工具，进行影像对象目标外轮廓绘制及属性标签赋值。

    在这里插入图片描述

二、训练数据制作
1.环境配置

  • 启动iDesktopX桌面工具，“开始”-“浏览”-“python”，默认Python环境是3.7，需要切换为Python3.6，否则会碰见各种模块不兼容问题。Python3.6环境可以自行安装。

    在这里插入图片描述

  • 配置java组件环境变量，将bin文件夹的目录添加到系统path变量里。

  • 安装Python组件包，在bin_python目录下，执行命令：

    #注意一定要Python3.6环境
python setup.py install

  • 安装机器学习依赖库，步骤如下：

    # 在线安装依赖库，requirement.txt使用CPU进行机器学习（默认），requirement_gpu.txt使用GPU进行机器学习（性能更优）
python -m pip install -r requirement.txt
#Linux系统安装rasterio依赖库
python -m pip install rasterio
#Windows系统需要根据系统环境下载两个二进制文件（ GDAL 和 rasterio ）
python -m pip install GDAL-2.3.2-cp36-cp36m-win_amd64.whl
python -m pip install rasterio-1.0.11-CP36-cp36m-win_amd64.whl

    ​ 下载地址：GDAL 、rasterio

  • 下载机器学习资源包 resource_ml ，包含了资源，数据，模型等，并解压到iDesktopX根目录，如图：

    在这里插入图片描述
    注：所有路径不要带中文和特殊字符

2. 训练数据生成

  • iDesktopX软件启动，打开tif影像文件和标签数据集。

  • 切换到python3.6环境，“工具箱”-“机器学习”-“影像分析”-“训练数据生成”。

    在这里插入图片描述

  • 参数解释

    影像数据源：tif或img格式的影像文件
标签数据集：对影像进行标注的目标轮廓和属性
图片大小：以像素为单位，大小的设置与内存消耗成正比
训练用途：如目标检测、二元分类等
类别字段：为影像目标对象的属性标签字段。二元分类的value值1代表兴趣类，0代表非兴趣类。

  • 训练数据生成，结果包含训练样本集，测试样本集，验证样本集。

    在这里插入图片描述

三、模型训练
1. 介绍
  • 基于上一步生成的训练数据样本，训练神经网络模型，通过验证集和测试集对训练模型不断迭代评估，提供应用的准确度和精度。iDesktopX产品内置了TensorFlow、Keras等训练框架，默认提供了Faster-RCNN、U-Net等 模型用于影像分析。
2. 训练

  • “工具箱”-“机器学习”-“影像分析”-“模型训练”。

    在这里插入图片描述

  • 参数说明

    训练数据：上一步训练数据结果。
训练配置文件：可用resource_ml目录下的binary_cls_train_config.sdt配置文件，配置文件里指定了训练框架、训练模型、数据类型、主干网络、训练集等参数。
训练次数：与训练时间成正比。
单步运行算量：一个批次计算的图片数量，与内存消耗成正比，与训练时间成反比。
学习率：根据经验设置一个相对合适的值。

  • 结果，每次迭代运行都会在控制台打印丢失率，得分率，精确度等信息。

    在这里插入图片描述

四、二元分类
1. 分类

  • “工具箱”-“机器学习”-“影像分析”-“二元分类”。

    在这里插入图片描述

  • 二元分类，得到二值化栅格图像。

    在这里插入图片描述

2. 矢量化

  • 栅格矢量化，“空间分析”-“矢栅转换”-“栅格矢量化”

    在这里插入图片描述

  • 参数解释

    勾选“只转换指定栅格值”
栅格值：1代表目标兴趣类对象

  • 矢量化结果

    在这里插入图片描述

五、总结
  • 结合不同的数据集类别对机器学习或深度学习模型进行训练，整体训练过程通过多次迭代（epoch）的方式来得到训练结果更优的网络模型，同时在训练模型中使用基于大规模基础训练数据的预训练模型，减少训练时间，通过超参数调优（学习率、Batchsize 等）提升模型训练效率和准确度。依照模型训练的周期时长，SuperMap 也提供支持短周期模型训练的SuperMap iDesktopX 桌面端训练工具和支持长周期模型训练的SuperMap iServer DataScience 服务方式训练工具。
深度学习学习笔记（四）—— Tensorflow2+BRRNet进行遥感图像的建筑物提取
cgd_lucky的博客
02-19 3798
深度学习学习笔记（四）—— Tensorflow2+BRRNet进行遥感图像的建筑物提取 深度学习学习笔记（四）—— Tensorflow2+BRRNet进行遥感图像的建筑物提取 1 前言 2 BRRNet模型简介 2.1 模型总览 2.2 预测模块（prediction module） 2.3 残差修正模块（Residual Refinement module） 3 程序设计 3.1 数据源与图像裁切 3.2 tfrecords文件的制作 3.3 BRRNet模型的建立、训练和预测 4
基于arcpro3.0.2版的使用深度学习目标提取之建筑房屋
hsg77的专栏
09-10 1022
基于arcpro3.0.2版的使用深度学习目标提取之建筑房屋
深度学习——基于卷积神经网络的建筑物提取
qq_42567378的博客
12-16 1万+
基于高分辨率遥感影像的建筑物提取在遥感影像处理和分析的基础上，加上了模式识别、数学等方法，能够半自动甚至全自动识别与检测出影像中的建筑物相关信息。但高空间分辨率影像信噪比低，建筑物的提取无法达到很高的精度，大量的影像还是通过人工解译才能得到应用。 卷积神经网络在使用大规模数据集训练的情况下，在特征提取和分类任务中 展现出了极强的潜力。在卷积神经网络的训练过程中，大规模地标记训练数据是特征提取质量的...
SuperMap GIS基础产品FAQ集锦(20250407)
最新发布
SuperMap技术控
04-08 1188
SuperMap GIS基础产品FAQ集锦(20250407)
建筑物提取数据集
如果想成为中心，那么就到中心去吧。
04-17 9303
前言 建筑物是人类社会生产、生活的主要载体，建筑物轮廓信息是国家基础地理信息的重要组成部分。相比于人工遥感解译与矢量化，结合算法模型从遥感影像中自动提取建筑物轮廓大大减少了人力物力的消耗。这在城市扩张研究、数字城市建设等领域有着广泛的应用。 近年来，全卷积神经网络的不断发展为高精度自动化建筑物提取提供了新的方法。但是，由于建筑物在尺度，建筑风格，形态上有较大差异，目前高精度建筑物提取仍存在较大挑战...
游戏模型提取工具ninjaripper_【博客翻译】建筑物轮廓线提取以及损坏分类
weixin_39564386的博客
11-21 1345
原文链接原作者：Rohit Singh, Sandeep Kumar贡献者：Vinay Viswambharan, Divyansh Jha, Shivani Pathak, Daniel Wilson.翻译：荆雪涵在今年的 Esri 用户大会上，USAA 展示了基于 ArcGIS 深度学习能力，对 Woolsey 火灾进行自动化损害评估的应用。该项目是灾害上报流程的一项重要任务，结合深度学习技术...
建筑物提取 Building Extraction 算法论文
晞行的博客
04-20 3893
建筑物提取方法及代码
使用QGIS提取天地图遥感影像中的建筑物轮廓，及AI方案
热门推荐
cky_123的博客
11-26 2万+
用QGIS的插件提取遥感影像中的建筑轮廓，并提供了几个AI提取建筑轮廓的方案。
语义分割-建筑物提取数据集
weixin_43679228的博客
11-18 4630
建筑物提取数据集 深度学习下，使用Keras进行建筑物提取。参考其他博主的文章，选择查看了一个数据集。分享一下，也方便自己以后寻找。 1、WHU 建筑物数据集 2、Inria数据集 3、Massachusetts 建筑物数据集 Reference https://blog.csdn.net/weixin_42990464/article/details/105572231 https://mp.weixin.qq.com/s/UHlMX63t8TwKv3_1wOt5aw https://github.
【数据集】遥感影像建筑物提取论文常用数据集
weixin_44037500的博客
08-29 2835
几个常用于遥感影像建筑物对比试验的数据集。
万丈高楼平地起——基于飞桨PaddleGAN与PaddleRS实现建筑物样本扩充工具
PaddlePaddle
08-23 1339
本项目的目的是对数据集进行数据扩充（data augmentation，即数据增强），希望训练数据集具有充足的数据体量、丰富的数据多样性、以及足够的空间分辨率。与[2]类似，本项目提取数据集中的建筑物，以每个建筑物作为一个实例（instance），用作增强数据集的素材。模型除了学习低分辨率（Low-Resolution，LR）到高分辨率（High-Resolution，HR）图像的映射外，还学习了额外的对偶回归映射，用于从超分辨率图像估计下采样内核并重建LR图像，从而形成一个能够提供额外监督的闭环。
经典遥感影像建筑物提取模型Building Extraction Based on U-Net with an Attention Block and Multiple Losses（AMUNet）
weixin_45798280的博客
12-18 3239
Building Extraction Based on U-Net with an Attention Block and Multiple Losses在2020年发表于remote sensing期刊。 论文网址：https://www.researchgate.net/publication/341018039_Building_Extraction_Based_on_U-Net_with_an_Attention_Block_and_Multiple_Losses 简介： ...
利用ENVI FX从RGB提取建筑物轮廓
esricd的专栏
07-15 9095
在QQ热线或者技术咨询会问到：“我有一副RGB的栅格图，想从上面提取相关的一些信息，能不能提取？精度有保证吗？”等等诸如此类的问题，本专题就采用我们常用的栅格地图进行建筑物轮廓信息的提取。 1. 采用数据：网上地图部分截图    2.  软件：ENVI Fx 3.  提取步骤： Ø  启动ENVI 5.0； Ø  点击加载影像数据； Ø  在Toolbox中找到工具：“/Feature
unet建筑物提取
weixin_44095417的博客
08-19 1858
我们可以从它的官网https://project.inria.fr/aerialimagelabeling/下载数据集，数据集包含Training Set、Validation Set、Test Set三个部分，分别包含136，4，10幅1500*1500大小的遥感影像与对应的标签影像。我们利用训练好的模型来测试一下我们的数据，模型最终分割的部分结果如下所示。中间的是我们的结果，右边的是target，可以看到我们的分割结果基本上将建筑物都识别出来了。作者水平有限，如代码存在问题，请及时联系作者。
中国典型城市建筑物实例数据集下载
Jasenjane的博客
04-18 1846
背景描述建筑物轮廓信息是国家基础地理信息的重要组成部分。高精度建筑物轮廓自动提取往往依赖于大规模的建筑物标注样本。为了丰富中国地区建筑物提取数据集，中国地质大学（武汉）方芳团队以高分辨率遥感影像为数据源，采用人工标注与交互式标注相结合的方式构建形成中国典型城市建筑物实例数据集。数据说明本数据集包含7260个影像区域样本，共63886栋建筑物，分布在北京、上海、深圳及武汉4个城市。数据集由MS COCO 2017格式的标注文件及相应的建筑物掩膜二值图构成，可为研究高分辨率遥感影像的建筑物检测和提取提供基础数据
11.1.0新特性——iDesktopX快速参数化批量构建并配置不同管径、不同截面三维管网线型及场景
SuperMap技术控
07-24 3467
三维场景管网业务的老手都知道，管网数据配置三维立体管线的时候有一个繁琐的工作常常会让我们很苦恼。那就是一份管网数据的弧段线可能有几万甚至几十万条，而现实生产中这些管线的大小（管径）、形态（截面）均不同，想要配置出完美符合现实的立体管线，就需要手动构建大量的三维管网的三维线性符号，形状相似、大小相差不大，却要手动机械的重复工作，实在是折磨。甚至是工期太紧只能放弃每个数数据按实际大小，整套数据按图层统一给个大概的管径，显然是不能满足生产需求的。 11.1.0iDesktopX的新功能“批量构建三维管线符号”
建筑物多边形数据集-超多_拔剑-浆糊的传说_新浪博客
拔剑—浆糊的传说
02-09 1721
https://github.com/polygon-city/polygon-city.github.io 下面网址有超级多的建筑物多边形数据集： https://github.com/openaddresses/openbuildings 如（洛杉矶数据集达1G）： A global collection of building polygon data, open and f...
iDesktopX在线分析配置及使用
SuperMap技术控
03-18 1034
前期准备 大数据环境搭建（参考 环境搭建之基础环境准备， hadoop集群搭建，Hbase集群搭建，Spark集群搭建，iObjects for Spark组件部署） iServer集群 启用分布式计算集群以及启用分布式分析服务 其中使用内、外部的spark集群都可以，并需要确保分布式分析中的token正确、可用。 iDesktopX 部署 安装、部署iDesktopX 官网下载...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值