遥感影像-语义分割数据集:Vaihingen数据集详细介绍及训练样本处理流程

原始数据集详情

Vaihingen是一个相对较小的村庄,有许多独立的建筑和小的多层建筑。

Key Value
卫星类型 未知
覆盖区域 一个相对较小的村庄,有许多独立的建筑和小的多层建筑-Vaihingen
场景 城市
分辨率 5cm
数量 38张
单张尺寸 6000*6000
原始影像位深 8位
标签图片位深 8位
原始影像通道数 三通道
标签图片通道数 三通道
官网 https://www.isprs.org/education/benchmarks/UrbanSemLab/Default.aspx

标签类别对照表

像素值 类别名(英文) 类别名(中文) RGB
1 Impervious surfaces 不透光表面 255, 255, 255
2 Building 建筑 0, 0, 255
3 Low vegetation 低矮植被 0, 255, 255
4 Tree 树木 0, 255, 0
5 Car 汽车 255, 255, 0
6 Clutter/background 背景 255, 0, 0

数据处理部分

大家是否有这样的困惑?真值标签图片的像素值太小,比如1、2、3······,由于像素值太小,导致看上去标签图片全为黑色,无法看出真值标签与影像图片的像素位置是否对应?如果真值标签的像素值间隔太大,又无法直接作为训练样本。

其实有办法可以解决这个问题,那就是在像素值为1、2、3等的图片上添加一个彩色表,添加的彩色表不会改变图片的像素值,但是可以由彩色的视觉效果展示,如下图所示:
遥感影像-语义分割数据集:Vaihingen数据集详细介绍及训练样本处理流程_第1张图片

下面我们就对原始影像及标签进行模型训练前的数据预处理,根据这套数据集的原始信息,原作者整理的已基本接近训练条件,现在需要做的是根据自己训练模型的图片尺寸大小批量裁剪原始影像和标签为所需要的尺寸,比如512*512,另外如果需要检查裁剪后的数据是否一一对应,最好给标签数据添加颜色表,这样就可以轻易看出影像和真值标签是否一致。

下面就是使用代码对原始影像及原始标签进行批量裁剪为512*512大小,并给真值标签添加颜色表,效果图如下所示:
遥感影像-语义分割数据集:Vaihingen数据集详细介绍及训练样本处理流程_第2张图片

最后可以直接用于训练的数据集结构如下所示

/path/to/LoveDA
├── train
│   ├── images
│   │   ├── 2522_0_0.tif
│   │   ├── 2522_0_512.tif
│   │   └── ......
│   └── labels
│       ├── 2522_0_0.tif
│       ├── 2522_0_512.tif
│       └── ......
└── val
    ├── images
    │   ├── 2522_512_512.tif
    │   ├── 2523_0_0.tif
    │   └── ......
    └── labels
        ├── 2522_512_512.tif
        ├── 2523_0_0.tif
        └── ......

相关数据和代码见 博主首页 技术交流輑
01、官网原始数据集;
02、中间处理好的数据集;
03、裁剪后可训练的数据集;
04、裁剪影像及添加颜色表代码;

你可能感兴趣的:(计算机视觉)