python遥感影像分类代码_【博客翻译】使用 Python & Tensorflow 实现简单的神经网络卫星遥感影像分类...

Landsat 5 多光谱数据分类指导手册原作者：Pratyush Tripathy

翻译：荆雪涵

姐妹篇雪涵：【博客翻译】CNN 与中分辨率遥感影像分类​zhuanlan.zhihu.com

深度学习在很多邻域使用，解决了许多复杂的问题，在空间分析领域也不例外。既然你已经点进来了，那估计你对遥感影像以及Landsat 5 TM数据有一定的了解。我们只需要了解一下机器学习的基础知识，便可以快速掌握这个教程的内容。如果你没有接触过机器学习，其实用一句话说就是，建立一系列特征值X与目标值Y的联系。我们通过提供带有标签的训练数据，从而习得X和Y之间的联系，最后我们可以使用训练好的模型预测那些还没有标签的数据。

基于卫星数据学术问题

卫星影像中的一些土地类别是比较难区分的，比如城市用地/裸地/矿区，这些地物的光谱值十分的相似，所以过去几十年，区分相似光谱的地物一直是一个难题。传统的监督分类法或者非监督分类法，虽然在分类领域十分常见，但是也带来一些问题，我们看一下下面的例子。

上图，如果我们用一条垂线来分割这张图片，我们将这条垂线从左往右移动，如果我们规定垂线右边都归为房子类，很显然这个分类方法是有问题的，因为房子和树木的分布并没有一个明确的边界。所以我们是无法用一条直线来进行分类的。但是这并不意味我们无法将上面这张图片正确分类。

在上面这张动图中，我们分别用蓝线，红线，绿线对树木和房子进行分类，我们规定线的右边为房子类别。如果用红线分类的话，绝大多的房子都被正确分类，只有一个房子没有被正确分类，并且还有一颗树木被错误的归为了房子类别。如果我们用蓝线的话，我们就可以正确分类所有的房子，但是会有三棵树被错误的分类。在使用蓝线分类的例子中，蓝线将所有的房子都正确分类，我们称之为高召回(Recall)，但是在房子类别中，有三颗树木被错误分类，我们称为低精度(Precision)。类似的，如果我们用绿线分类，绿线的右边都是房子，我们就称为高精度(Precision)不过召回率就会低一些，因为有三个房子没有被识别到。很多时候，我们都要进行精度率和召回率之间的博弈。

上面树木和房子分类的例子，其实就是我们对遥感影像进行土地分类的一个类别。所以每一幅遥感影像的分类重点是要具体问题具体分析的。举个例子，如果你要保证所有的城市用地都被正确归类，那么你的最终结果中就会出现其他一些和城市用地光谱类似的地物，也就是说你需要一个高召回率的分类器。反过来看，如果你的最终结果不可以出现出城市用地外的其他地物，你就需要一个高精度的分类器。

本文使用的数据

我们将使用Landsat 5 TM数据的波段2-波段7，共计六个波段的数据，我们的目标是从遥感影像中区分出城市用地(Built-up)。2011年印度班加罗尔的Landsat 5 的多光谱数据以及城市用地二值图层，将被用作训练数据和测试数据。我们将使用2011年海得拉巴的数