遥感影像语义分割:数据集制作

目前已经有一些已经关于遥感影像解译的公开数据集，我们可以拿这些数据来做深度学习模型训练，但是在实际业务中，我们需要针对特定的需求制作自己的数据集，在这里记录一下做遥感影像数据集的一些方法和注意事项。

一、标签标注工具及注意事项

常见的图片标签工具大都是针对相机照片，如labelImg、PS等。但是在做大影像标注时会不太方便，如一景遥感影像的像素往往会几万乘几万，一种方法是先整景影像进行分割，如切割成512x512、1024x1024等大小，然后用上述工具进行标注，但是这样做会无法保证整景影像的标注一致性，一些大的目标会被分割在两个小块的图像上，不同的标注人员可能会将这两个部分标注成不同的目标，或者切割后的图片失去整体的上下文信息，例如在区分耕地和普通植被，或者颜色偏绿的水体时会在不同的分块图片上造成歧义，如果是在一整景完整的影像上进行标注就不会出现上述问题，标注人员可以根据整景影像的特点判断当前有歧义的位置，所以建议在自己做遥感影像标注的时候可以考虑使用ArcGIS或者QGIS进行标注。

二、影像分块及代码

考虑到GPU显存的限制，影像标注完成之后在送入模型训练之前需要对大的影像进行分块，一般采用的是滑动叠加窗口的方法进行分块。代码如下

分块代码

#!usr/bin/env python
# -*- coding: utf-8 -*-
"""
@Author  : zhaoguanhua
@Email   : 
@Time    : 2021/8/15 17:13
@File    : clip_image.py
@Software: PyCharm
"""

import cv2 as cv
import os
import glob
import numpy as np

def clip_image_by_order(image_path,label,clip_dir):
    """
    按照从左到右，从上到下，有重叠的裁剪图像
    :param image_path: 大图像路径
    :param label: 大图像标签路径
    :param clip_dir: 切割后的小图像和标签存储路径
    :return:
    """
    image_array=cv2.imread(image_path,1)
    label_array=cv2.imread(label,0)
    (img_rows,img_cols,_)=image_array.shape
    (label_rows,label_cols)=label_array.shape

    assert (img_rows==label_rows) and (img_cols==label_cols),\
        "{}：图像和标签尺寸不一致，请检查图像和标签：".format(image_path)

    #图像名
    image_name=os.path.basename(image_path).split(".")[0]

    #创建切割图像、标签文件夹
    clip_image_dir=os.path.join(clip_dir,"img")
    os.makedirs(clip_image_dir,exist_ok=True)
    clip_label_dir=os.path.join(clip_dir,"label")
    os.makedirs(clip_label_dir,exist_ok=True)

    lt_row=0 #起始行

    while lt_row<img_rows:
        lt_col=0 #起始列

        if lt_row+clip_size>img_rows:
            clip_height=img_rows-lt_row
        else:
            clip_height=clip_size

        while lt_col<img_cols:
            if lt_col+clip_size>img_cols:
                clip_width=img_cols-lt_col
            else:
                clip_width=clip_size

            #切割图片名
            clip_name="{img_name}_{row}_{col}_size{size}.png".format(
                img_name=image_name,row=lt_row,col=lt_col,size=clip_size)

            #切割图像、标签存储路径
            clip_image_path=os.path.join(clip_image_dir,clip_name)
            clip_label_path=os.path.join(clip_label_dir,clip_name)

            out_img_array=np.ones((clip_size,clip_size,3))*255
            out_label_array=np.zeros((clip_size,clip_size))

            out_img_array[:clip_height,:clip_width,:]=image_array[lt_row:lt_row+clip_height,lt_col:lt_col+clip_width,:]
            out_label_array[:clip_height,:clip_width]=label_array[lt_row:lt_row+clip_height,lt_col:lt_col+clip_width]

            cv2.imwrite(clip_image_path,out_img_array)
            cv2.imwrite(clip_label_path,out_label_array)

            lt_col+=slip_window
        lt_row+=slip_window



if __name__ == '__main__':
    root_dir=r""
    image_dir=os.path.join(root_dir,"img")
    label_dir=os.path.join(root_dir,"label")
    clip_dir=os.path.join(root_dir,"clip")
    os.makedirs(clip_dir,exist_ok=True)

    image_names=os.listdir(image_dir)

    #切割尺寸
    clip_size=1024
    #滑动窗口
    slip_window=clip_size//2

    for image_name in image_names:
        print(image_name)

        image_file=os.path.join(image_dir,image_name)
        label_file=os.path.join(label_dir,image_name)

        clip_image_by_order(image_file,label_file,clip_dir)