为扬尘治理和保护环境，城市的裸露地表、易扬尘物料等要求覆盖防尘网。防尘网一般由聚乙烯材料制作的网状物，颜色主要为黑色和绿色。
本文介绍利用遥感影像和ENVI深度学习工具快速提取防尘网覆盖信息，数据和处理环境如下：
l 数据源：标准景高分二号3.8米4波段多光谱数据，16bit
l 处理软件：ENVI5.5.2+ENVI Deep Learning深度学习模块，软件试用可访问：http://blog.sina.com.cn/s/blog_764b1e9d0102ycm2.html
l 处理计算机：ThankPAD P52笔记本，NVIDIA Quadro P3200 6G显存。
提取效率和结果如下：
内容时间
样本选择小于10分钟
模型训练34分钟
图像分类小于2分钟
总共36分钟
由于防尘网覆盖信息特征比较明显，采用验证样本方式得到生产者精度达到0.93，F1=0.72。通过目视查看，发现覆盖比较长时间的防尘网有漏分情况，操场塑胶跑道被错分情况，总体来看效果非常不错，可选择更多样本提高精度。
图：结果1
图：结果2
图：结果3
ENVI Deep Learning深度学习工具操作步骤主要分为三步，下面我们详细介绍整个操作过程。
图：操作步骤
1 选择样本
从整景影像中选择小部分区域来选择样本和训练模型。
（1） ENVI中打开图像，之后放大和定位到需要选择的样本的区域。
（2） 选择File –>Save As->>Save As….。
（3） 在文件选择对话框中，选择图像文件，单机Spatial Subset按钮，选择当前视图作为子区选择源，选择输出路径保存。
（4） 在图上确认防尘网解译标志，如下图所示即为防尘网，覆盖时间较短和较长情况下的防尘网。
图：图像上的防尘网
（5） 利用ROI工具在上一步裁剪图像上选择防尘网作为样本，沿着防尘网边界绘制多边形。
图：样本分布（黄色区域）。
（6） 在Toolbox中，启动/Deep Learning/Deep Learning Guide Map 流程化工具。
注：ENVI Deep Learning工具有两种操作方式：流程化和分布式，本文选择的是流程化操作方式。分布式选择相应的工具即可，如本步骤选择/Deep Learning/Build Label Raster from ROI。
（7） 在ENVI Deep Learning面板中，单击Train a New Model按钮。
（8） 在Train a New Model面板中，单击Build Label raster form ROI。
（9） 在Build Label raster form ROI面板上，分别选择裁剪图像、样本ROI文件、输出文件，单击OK执行，完成样本选择步骤。
注：Build Label raster form ROI工具是将ROI格式的样本文件转成标签文件，标签文件中的一个波段其实就是一个二值图，样本区值为1，其他区域值为0。该步骤生成一个裁剪图像（4个波段）与标签图像合成的一个5波段图像文件。
（10）重复上述步骤，在另外一块图像上选择样本作为验证样本，本步骤为可选项。
图：Build Label raster form ROI面板
2 训练模型
（11）在Train a New Model面板中，单击Train Model按钮。
（12）在Train TensorFlow Mask Model面板中，单击New Model按钮，新建一个初始化模型文件。
（13）在弹出的Initialize ENVINet5 TensorFlow Model对话框中：
l Number of bands（样本文件的波段数）：4。
l Output Model：选择输出路径和文件名
（14）在Training Rasters中选择训练标签图像。
（15）在Validation Rasters中选择验证标签图像，如果没有验证样本，这里可以选择训练标签图像。
（16）其他参数先按照默认，参数的详细解释见后表。
（17）选择模型输出路径和文件名，单击OK执行。
注：这一步将会用到GPU运算，如果没有GPU则使用CPU计算，速度会较慢。
（18）最终会得到一个 .h5的规则文件，其实就是一个HDF5格式的文件。通过Deep Learning Guide Map 面板中的Tools->Edit TensorFlow Model Metadata工具可以浏览训练模型的生产精度（validationPrecision）、用户精度（validationRecall）和F1值。
图：Train TensorFlow Mask Model面板
表：Train TensorFlow Mask Model主要参数说明
参数说明
Patch Sizel 此值与GPU显存有关
l 值越大，效率越高，对显存要求越高
l 切片大小不能大于标签图像行列数
Number of Epochs迭代数，建议在 16 到 32 之间
Number of Patches per Epoch每次迭代训练的切片数
l 此值一般在 200 到 1000 之间
l 训练数据集数量越少，设置此值越小
Number of Patches per Batch一次处理使用的切片数
l Batch 是指一次迭代使用的一组切片
l 如果为空，ENVI 将自动确定合适的值
Patch Sampling Rate切片采样比率
l 当特征稀疏时，增加该值可能会有所帮助
l 对于较小的切片大小，增加此参数
Solid Distance固定距离（单位像素）
对于宽度一致的线性特征（如道路、道路中心线和运输集装箱）或尺寸一致的紧凑型特征（汽车和停车标志），建议定义该参数。
Blur Distance模糊距离（单位像素）
l 深度学习算法很难学习诸如建筑物等特征的锐利边缘。模糊边缘，并在训练过程中减少模糊距离可以帮助模型逐渐聚焦于特征。
l 模糊距离最大值必须小于70。
Class Weight一般来说，为稀疏训练集设置最大值。有效范围在 0.0 和 6.0 之间。
Loss Weight参数可用于偏差损失函数（bias the loss function），以更加注重正确识别特征像素，而不是识别背景像素。
此参数在特征目标稀疏分布或者没有标记所有特征时很有用。值为0表示模型应同等对待特征和背景像素。增加Loss Weight参数会使损失函数偏向于寻找特征像素。此参数值的有效范围在 0 到3.0 之间。
3 图像分类
（19）Deep Learning Guide Map 流程化工具进入Classify Raster Using a Trained mode面板。
（20）在Classify Raster Using a Trained mode面板中，单击Classify Raster Using a Trained Model按钮。
l Input Raster：输入整景高分二号影像。
l Input Model：输入上一步获取的模型文件（自动输入）。
l Output Raster：选择输出结果。
（21）单击OK执行。
得到的结果是一个单波段的灰度图，像素值（0~1范围）表示与样本的相似程度，像素值越大表示属于该类别的可能性越大。我们可以采用密度分割方法进一步提取结果。
（22）执行完分类后，自动跳转到Post-Classification面板。单击Class Activation to Classification按钮。
注：也可以直接生成Shapefile矢量结果，单击Class Activation to polygon Shapefile按钮。
（23）在Class Activation to Classification面板中，可以手动设置分割阈值，也可以选择自动方法，这里选择Otsu自动阈值分割。
（24）选择输出结果名称和路径，单击OK执行。
图：Class Activation to Classification面板