遥感图像语义分割——从原始图像开始制作自己的数据集(以高分二号为例)

遥感图像语义分割——从原始图像开始制作自己的数据集(以高分二号为例)

文章目录

  • 遥感图像语义分割——从原始图像开始制作自己的数据集(以高分二号为例)
    • 1.遥感影像获取
    • 2.遥感数据预处理(影像融合)
    • 3.遥感影像批量裁剪
    • 4.栅格格式影像转JPG格式
    • 5.用labelme制作图像标签
    • 6.制作txt文档(统计训练集、验证集的图片名)
      • 批量修改图片的文件名
      • 读取文件名到txt文档

这篇文章分享一下遥感影像语义分割数据集的制作。从原始图像开始,经过影像融合等一系列步骤,生成自己的原图+标签形式的数据集。


1.遥感影像获取

​ 本文中数据下载自中中国资源卫星应用中心(本文的高分数据不共享),网站内含有付费和部分免费的数据共大家下载,具有高分系列卫星、资源系列卫星等遥感影像数据。

2.遥感数据预处理(影像融合)

​ 以高分系列为例,影像数据压缩包内有高分辨率影像和多光谱影像。可以融合形成高分辨率多光谱的影像。具有较高的空间分辨率也具有多光谱的特征。利用ENVI进行图像融合的方法如下所示:

融合方法 适用范围
IHS 变换 纹理改善,空间保持较好。光谱信息损失较大大,受波段限制。
Brovey 变换 光谱信息保持较好,受波段限制。
乘积运算 对大的地貌类型效果好,同时可用于多光谱与高光谱的融合。
PCA 变换 无波段限制,光谱保持好。第一主成分信息高度集中,色调发生较大变化。
GS 改进了 PCA 中信息过分集中的问题,不受波段限制,较好的保持空间纹理信息,尤其能高保真保持光谱特征。专为最新高空间分辨率影像设计,能较好保持影像的纹理和光谱信息。

​ 具体方法:

  1. 在ENVI的Toolbox中打开Image Sharpening/Gram-Schmidt Pan Sharpening,选择自己的高分辨率影像和低分辨率影像(多光谱),单击OK。
  2. 在 Pan Sharpening Parameters 面板中,选择传感器类型(Sensor):Unknown,重采样方法(Resampling):Cubic Convolution,以及输出格式。

3.遥感影像批量裁剪

​ 在制作遥感影像数据集中,必不可少的就是遥感影像的批量裁剪到统一的尺寸。本文中的方法是从栅格影像(tif格式)的裁剪具体代码如下:

import gdal
import os
def read_img(filename):
    dataset = gdal.Open(filename)  # 打开文件

    im_width = dataset.RasterXSize  # 栅格矩阵的列数
    im_height = dataset.RasterYSize  # 栅格矩阵的行数

    im_geotrans = dataset.GetGeoTransform()  # 仿射矩阵
    im_proj = dataset.GetProjection()  # 地图投影信息
    im_data = dataset.ReadAsArray(0, 0, im_width, im_height)  # 将数据写成数组,对应栅格矩阵

    del dataset
    return im_proj, im_geotrans, im_data

def write_img(filename, im_geotrans, im_data):
        # gdal数据类型包括
        # gdal.GDT_Byte,
        # gdal .GDT_UInt16, gdal.GDT_Int16, gdal.GDT_UInt32, gdal.GDT_Int32,
        # gdal.GDT_Float32, gdal.GDT_Float64

        # 判断栅格数据的数据类型
        if 'int8' in im_data.dtype.name:
            datatype = gdal.GDT_Byte
        elif 'int16' in im_data.dtype.name:
            datatype = gdal.GDT_UInt16
        else:
            datatype = gdal.GDT_Float32

        # 判读数组维数
        if len(im_data.shape) == 3:
            im_bands, im_height, im_width = im_data.shape
        else:
            im_bands, (im_height, im_width) = 1, im_data.shape

            # 创建文件
        driver = gdal.GetDriverByName("GTiff")  # 数据类型必须有,因为要计算需要多大内存空间
        dataset = driver.Create(filename, im_width, im_height, im_bands, datatype)

        dataset.SetGeoTransform(im_geotrans)  # 写入仿射变换参数

        if im_bands == 1:
            dataset.GetRasterBand(1).WriteArray(im_data)  # 写入数组数据
        else:
            for i in range(im_bands):
                dataset.GetRasterBand(i + 1).WriteArray(im_data[i])

        del dataset

# 有两个文件夹bj-5 bj-dx
# 每个文件夹下有4副影像 
# 遍历每个影像
# 按需修改
area_list = ['bj-5','bj-dx']
index_list = ['01','02','03','04']
for m in area_list:
    for k in index_list:
        #图片的路径
        p = "/home/kun/tif/" + m + "/" +  k +".tif"
        #读取图片
        im_proj,im_geotrans,im_data = read_img(p)
        #获取图片的宽、高、通道
        channel,width,height = im_data.shape
        for i in range(width//451):       #451修改为自己需要的宽
         for j in range(height//451):     #451修改为自己需要的高
                 cur_img = im_data[:,i*451:(i+1)*451,j*451:(j+1)*451]
                 #保存图片的命名格式(可以自己修改
                 write_img('/home/kun/cup-end/{}/{}_{}_{}.tif'.format(m,k,i,j), im_geotrans, cur_img)

4.栅格格式影像转JPG格式

​ 裁剪完的影像格式仍为栅格格式,语义分割需要的是JPG格式的图像。具体的转换代码如下:

import numpy as np
import os
from PIL import Image
from osgeo import gdal


def readTif(imgPath, bandsOrder=[3, 2, 1]):
    """
    读取GEO tif影像的前三个波段值,并按照R.G.B顺序存储到形状为【原长*原宽*3】的数组中
    :param imgPath: 图像存储全路径
    :param bandsOrder: RGB对应的波段顺序,如高分二号多光谱包含蓝,绿,红,近红外四个波段,RGB对应的波段为3,2,1
    :return: R.G.B三维数组
    """
    dataset = gdal.Open(imgPath, gdal.GA_ReadOnly)
    cols = dataset.RasterXSize
    rows = dataset.RasterYSize
    data = np.empty([rows, cols, 3], dtype=float)
    for i in range(3):
        band = dataset.GetRasterBand(bandsOrder[i])
        oneband_data = band.ReadAsArray()
        data[:, :, i] = oneband_data
    return data


def stretchImg(imgPath, resultPath, lower_percent=0.5, higher_percent=99.5):
    """
    #将光谱DN值映射至0-255,并保存
    :param imgPath: 需要转换的tif影像路径(***.tif)
    :param resultPath: 转换后的文件存储路径(***.jpg)
    :param lower_percent: 低值拉伸比率
    :param higher_percent: 高值拉伸比率
    :return: 无返回参数,直接输出图片
    """
    RGB_Array = readTif(imgPath)
    band_Num = RGB_Array.shape[2]
    JPG_Array = np.zeros_like(RGB_Array, dtype=np.uint8)
    for i in range(band_Num):
        minValue = 0
        maxValue = 255
        # 获取数组RGB_Array某个百分比分位上的值
        low_value = np.percentile(RGB_Array[:, :, i], lower_percent)
        high_value = np.percentile(RGB_Array[:, :, i], higher_percent)
        temp_value = minValue + (RGB_Array[:, :, i] - low_value) * (maxValue - minValue) / (high_value - low_value)
        temp_value[temp_value < minValue] = minValue
        temp_value[temp_value > maxValue] = maxValue
        JPG_Array[:, :, i] = temp_value
    outputImg = Image.fromarray(np.uint8(JPG_Array))
    outputImg.save(resultPath)


def Batch_Convert_tif_to_jpg(imgdir, savedir):
    # 获取文件夹下所有tif文件名称,并存入列表
    file_name_list = os.listdir(imgdir)
    for name in file_name_list:
        # 获取图片文件全路径
        img_path = os.path.join(imgdir, name)
        # 获取文件名,不包含扩展名
        filename = os.path.splitext(name)[0]
        savefilename = filename + ".jpg"
        # 文件存储全路径
        savepath = os.path.join(savedir, savefilename)
        stretchImg(img_path, savepath)
        print("图片:【", filename, "】完成转换")
    print("完成所有图片转换!")


# 主函数,首先调用
if __name__ == '__main__':
    area_list = ['bj-5','bj-dx','pds-and-jn']
    for i in area_list:
        imgdir = r"/home/kun/cup-end/" + i # tif文件所在的【文件夹】
        savedir = r"/home/kun/cup-end-jpg/" + i  # 转为jpg后存储的【文件夹】
        
        Batch_Convert_tif_to_jpg(imgdir, savedir)

5.用labelme制作图像标签

​ 众所周知,应用很广泛的一所标注工具叫做labelme,接下来介绍labelme环境搭建以及labelme的使用。

首先需要安装并配置好anaconda。打开anaconda prompt(Anaconda命令行)。输入以下指令:

conda create -n labelme python=3.6

待创建完成后,激活labelme环境

conda activate labelme

安装labelme环境

pip install labelme

安装完成后,在labelme环境下输入

labelme

即可打开labelme标注工具。具体的标注、json格式文件的转换等操作参考:labelme使用教程。

6.制作txt文档(统计训练集、验证集的图片名)

批量修改图片的文件名

具体修改代码如下:

import os
import re
import sys

# 图片的路径
file_list = os.listdir('/home/qun/json_jpg')
#用于命名
k=0
currentpath = os.getcwd()
os.chdir('/home/qun/json_jpg')
for i in range(0,len(file_list)):
    if(file_list[i][-4:] == 'json'):
        last_name  = file_list[i]
        # 千张图片%04 万张图片%05....
        os.rename(file_list[i],str(("%04d" % (i)))  + '.json')
        for k in range(0,len(file_list)):
            if ((file_list[k][-3:] == 'jpg') & (file_list[k][0:-4] == last_name[0:-5])):
                os.rename(file_list[k],str(("%04d" % (i)))  + '.jpg')
                print(file_list[k] + 'finsh')
    print(file_list[i]+ 'finsh')
os.chdir(currentpath)
sys.stdin.flush()

读取文件名到txt文档

import os

# 图片的路径
file_path = '/home/qun/torch-deeplabv3/pytorch-deeplab-xception-master/Waste2021/JPEGImages'

list = os.listdir(file_path)

path_name = []
for i in list:
    path_name.append(i.split('.')[0])
for j in range(0,len(path_name)):
    # txt文档的路径
    with open('/home/qun/torch-deeplabv3/pytorch-deeplab-xception-master/Waste2021/ImageSets/Segmentation/trainval.txt','a') as f:
        f.write(path_name[j] + '\n')
        print(path_name[j])
    f.close()

到此为止,制作数据集大概步骤以及相关的python代码已经展示完毕。希望对大家有帮助

你可能感兴趣的:(语义分割,深度学习,python)