arcgis字段计算器赋值_开源图像分割样本转换成ArcGIS可用格式

“ 从公众号一位读者那获取到了用地分类的开源样本集，记录一下开源样本集转换成ArcGIS格式的过程。希望能够帮助到大家。”

01

—

查看样本数据

废话不多说，先看一下获取到的样本是啥样子的吧

近红外影像：

RGB图像：

label：

通过详细查看之后对影像有一个初步的认识：

• RGB影像为8位三波段影像，满足要求。

• 不管是影像还是label，都需要进一步裁剪才能参与到训练当中。

• label标签为三波段，分为15类与5类。每一类都对应着特定的颜色，readme.txt中有写到：

• 标签名称比原始影像名称多了一个_label，可以通过此规则一一对应。

其中label是三波段数据，既不满足互联网上多数图像分割的格式也不满足ArcGIS的格式，所以需要写代码进行处理。(此时你们肯定在想，那要处理成什么样子呢？，下个部分讲解)

02

—

label数据处理

其实不管是什么样子的label，都要跟ArcGIS Pro自己生产的label保持相同格式。ArcGIS Pro生产的label是通过`训练样本管理器`或者是`标注对象以供深度学习使用`工具生成。

不管是用哪个工具生成的样本，最终保存成矢量数据时属性表字段都差不多是一个样子的：

这种格式就是我们想要的label格式，因为拿到这种矢量数据之后就可以使用`导出训练数据进行深度学习`工具导出成ArcGIS中深度学习样本格式。

那么我们的目标就很明确了，将三波段影像数据转换成矢量数据。既然是栅格转矢量，很明确ArcGIS Pro中有`栅格砖面`工具可以直接转，但是貌似三波段好像不太合适，所以还是要处理成单波段，然后转成矢量(心里默默nice！)。所以现在问题就转换成，如何将三波段转换成单波段，那在我的技术栈里面，就只会写代码转(如果有其他工具我不晓得的，还请一定要在讨论区留言)，顺带着熟悉一下Arcpy。

那就开搞，在Pro中新建一个notebook，双击打开，然后开始写代码。首先导包：

import arcpyimport osimport numpy as np

定义工作区间等，并使用arcpy中的Raster类加载label栅格数据：

gdbpath = r'F:\pro_project\GID_landuse\GID_landuse.gdb'worksapce = r'F:\pro_project\GID_landuse'label_tif_path = os.path.join(worksapce,'GF2_PMS1__L1A0001765574-MSS1_label.tif')# 使用arcpy中Raster类读取栅格数据label_raster = arcpy.Raster(label_tif_path)label_raster

然后需要读取几个重要的属性：

width = label_raster.widthheight = label_raster.heightminx = label_raster.extent.YMinminy = label_raster.extent.XMincellsizeX = label_raster.meanCellWidthcellsizeY = label_raster.meanCellHeightspatialReference = label_raster.spatialReference

• width：宽

• height：高

• Xmin，Ymin：栅格数据左下角的点

• meanCellWidth：x方向像元大小

• meanCellHeight：y方向像元大小

• spatialReference：空间参考

更多Raster的属性可以查阅官网帮助：

https://pro.arcgis.com/zh-cn/pro-app/arcpy/classes/raster-object.htm

数据加载完之后，转换成numpy数组：

label_nd = arcpy.RasterToNumPyArray(label_raster)label_nd.shape # (3,6800,7200)

转换成numpy数组之后接下来就可以直接通过numpy进行操作了，RGB三个波段分别对应着label_nd[0]、label_nd[1]、label_nd[2]。接下来可以直接处理将三波段转换成单波段，每个地方的值对应着不同的类别，从1-5(我们在这里就直接使用5类数据做示例)，背景值为0：

# 首先建立一个全为0的数组作为结果数组res_label = np.zeros([height,width],dtype=int)# 根据readme中的类别颜色进行掩膜式索引res_label[(label_nd[0,:,:] == 255) * (label_nd[1,:,:] == 0) * (label_nd[2,:,:] == 0)] = 1res_label[(label_nd[0,:,:] == 0) * (label_nd[1,:,:] == 255) * (label_nd[2,:,:] == 0)] = 2res_label[(label_nd[0,:,:] == 0) * (label_nd[1,:,:] == 255) * (label_nd[2,:,:] == 255)] = 3res_label[(label_nd[0,:,:] == 255) * (label_nd[1,:,:] == 255) * (label_nd[2,:,:] == 0)] = 4res_label[(label_nd[0,:,:] == 0) * (label_nd[1,:,:] == 0) * (label_nd[2,:,:] == 255)] = 5

很多人看到这里可能不知道在操作什么了，emmmm，就是将新建的结果数组按照索引赋值，生成索引的条件是原label数组中的是三个波段值。(emmmmm，别问我是怎么来的，问就是语法糖，也别问我语法糖是啥，问就是讨论区大佬留言解释。)为了便于理解，可以参考这个：

(上一个配图与整体思路无关，只是为了方便理解而已。可以不去理解，用就是了)

那么上一步的代码中就完全将三波段转换成单波段了。接下来转换成栅格，然后保存：

res_raster = arcpy.NumPyArrayToRaster(res_label,arcpy.Point(minx,miny),cellsizeX,cellsizeY)res_raster

对比之前刚加载的栅格，可以看到大致转换成功了，后续可以加载至ArcGIS Pro中再次进行验证。接下来保存。

res_raster.save(os.path.join(gdbpath,'res_label'))

在Pro中设置透明度叠加影像之后：

然后就可以使用工具转换成矢量了：

03

—

字段转换与增加

现在矢量也转了，看起来也像那么回事了，就差最后的字段转换了。这一步可以用字段计算器来做，但是数量大起来之后会比较繁琐，所有我们选择ArcGIS API for Python处理。(依然使用notebook完成)

首先还是导包：

import pandas as pdfrom arcgis.features import GeoAccessor,GeoSeriesAccessor

然后加载矢量数据：

sdf = pd.DataFrame.spatial.from_featureclass(os.path.join(gdbpath,'samples'))sdf

(我们看到有个SHAPE字段，有这个字段就代表着属于ArcGIS API for Python中的Spatial DataFrame。有兴趣的随机读取一条查看一下。)

因为要添加的字段值都是固定的，所以我们建立一个字典方便操作：

mapdic = {1: {"Classname": "built-up",              "Classvalue": 1,              "Classcode": 1,              "RED": 255,              "GREEN": 0,              "BLUE": 0              },          2: {"Classname": "farmland",              "Classvalue": 2,              "Classcode": 2,              "RED": 0,              "GREEN": 255,              "BLUE": 0              },          3: {"Classname": "forest",              "Classvalue": 3,              "Classcode": 3,              "RED": 0,              "GREEN": 255,              "BLUE": 255              },          4: {"Classname": "meadow",              "Classvalue": 4,              "Classcode": 4,              "RED": 255,              "GREEN": 255,              "BLUE": 0              },          5: {"Classname": "water",              "Classvalue": 5,              "Classcode": 5,              "RED": 0,              "GREEN": 0,              "BLUE": 255              },          0: {"Classname": "background",              "Classvalue": 0,              "Classcode": 0,              "RED": 0,              "GREEN": 0,              "BLUE": 0              }          }

然后增加字段：

# 拷贝一个作为最后输出结果resdf = sdf.copy()for col in ['Classname', 'Classvalue', 'Classcode', 'RED', 'GREEN', 'BLUE']:    resdf[col] = resdf.gridcode.apply(lambda x:mapdic[x][col])

ok了，然后保存就可以了

resdf.spatial.to_featureclass(os.path.join(gdbpath,'samples_last'))

如果是使用字段计算器的话，可以类似这么使用(不过需要提前建字段，保证Classvalue、RED、BLUE、GREEN三个字段为长整形)：

那么到这一步就可以使用ArcGIS Pro的`导出训练数据进行深度学习`工具进行样本导出了。