前言因为毕设中的部分内容涉及到卫星遥感影像道路分割，因此去对相关算法做了一些调研。 本文所使用数据集为DeepGlobe，来自于CVPR2018年的一个挑战赛：DeepGlobe Road Extraction Challenge。 D-LinkNet为该挑战赛的冠军算法。考虑到D-LinkNet开发版本较老(Python 2.7、Pytorch 0.2.0)，我对此项目进行了重构，具体工作如下：
转载
2023-08-23 19:54:04
427阅读
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
转载
2024-05-08 14:21:43
387阅读
本文介绍基于ENVI软件，实现最小距离法、最大似然法与支持向量机三种遥感图像监督分类方法的具体操作，同时进行分类后处理操作，并对不同分类方法结果加以对比分析。 1 分类需求2 具体操作2.1 ROI区域绘制2.2 最小距离法2.3 最大似然法2.4 支持向量机3 精度评定4 分类后处理4.1 小斑块处理4.2 分类统计4.3 修改类别颜色5 结果对比 1 分类需求 我们先来看一下本文需要实现
1、gdal基本处理Python+GDAL栅格数据基本操作2、gdal影像融合利用遥感影像的图像融合技术进行土地利用变化信息的提取，属于像素级别的变化检测。其基本原理是将不同时相的遥感影像先进行配准，配准后不同时相的多源影像数据利用不同的融合方法进行波谱信息融合，利用融合后影像显示出的光谱差异性，一般颜色凸显的区域为变化区域。该方法需要注意在影像融合前应对待融合的影像进行几何配准，以免在融合之后造
从遥感专业跳到互联网行业，需要面对的一个重要问题就是如何向周围的人解释你的专业。每次我兴致冲冲地跟人说到我是学遥感时，得到的反应大多是：“遥感啊，那应该是机械一类的吧”。或是“你说的是那个街机上的摇杆么？”，等你一脸认真向众人解释好半天后，众人仍一副迷茫的表情，那表情仿佛是说“遥感是什么，能吃么？” &
通过本教程，我们比较了 DeepLab、SAM 和 U-Net 等模型在遥感影像分割任务中的优劣，并提供了相应的代码示例和应用指南。地理信息行业专业人士可以根据具体情况选择适合的模型，以提高遥感影像分析的效率和准确性先说结论DeepLab适用于需要处理大范围语境信息的场景，如遥感影像中的大尺度目标识别和分类。SAM适用于需要关注特定区域细节信息的场景，如遥感影像中的目标边界检测和细粒度分类。U-N
文章目录1 前言2 概念介绍2.1 什么是图像语义分割3 条件随机场的深度学习模型3\. 1 多尺度特征融合4 语义分割开发过程4.1 建立4.2 下载CamVid数据集4.3 加载CamVid图像4.4 加载CamVid像素标签图像5 PyTorch 实现语义分割5.1 数据集准备5.2 训练基准模型5.3 损失函数5.4 归一化层5.5 数据增强5.6 实现效果6 最后 1 前言? 优质竞赛
转载
2024-09-08 08:09:58
82阅读
飞桨常规赛：遥感影像地块分割10月第2名方案赛题本赛题旨在对遥感影像进行像素级内容解析，并对遥感影像中感兴趣的类别进行提取和分类，以衡量遥感影像地块分割模型在多个类别（如建筑、道路、林地等）上的效果。 数据共包括4种分类，像素值分别为0、1、2、3。此外，像素值255为未标注区域，表示对应区域的所属类别并不确定，在评测中也不会考虑这部分区域。 训练集包含66,653张遥感影像图片和对应的标注图片，
前言在介绍个精度指标前我们先来明确以下几个概念，对应的示意图如下图所示：TP(True Positive)：分类准确的正类，意思是预测结果为正类，实际上是正类。FP(False Positive)：被错分类为正类的负类，意思是实际为负类，但是却被预测为正类。TN(True Negative)：分类准确的负类，意思是预测结果为负类，实际上是负类。FN(False Negative)：被错分类为负类的
转载
2023-11-17 20:37:11
108阅读
一些基于python+gdal整理的小工具#!/usr/bin/env python
# coding: utf-8
from osgeo import gdal
import os
import glob
import numpy as np
import math
def read_img( filename):
'''
读取影像为数组并返回信息
——————
转载
2024-03-01 10:43:50
227阅读
" 当单幅遥感影像较大时，也就是分辨率较高或者像元数量较多时，如果批量处理这些影像，计算机内存可能不够，程序容易报错：内存溢出。这时需要对影像进行分块读取与处理，也是本节所要分享的重点。"按块读取遥感影像在上一节中，程序一次读取并保存了整个波段的数据。但是，如果单幅图像尺寸较大（行列数较大）的话，我们可以将其分解为块来读取。可能是因为你只需要图像中的某一块，或者你的本本没有足够的内存来同
转载
2023-09-07 17:36:05
0阅读
近年来，AI技术在行业中的工程化落地愈发深入，而随着遥感数据的快速增长，AI算法开发门槛高、本地算力不足、资源共享困难等问题严重阻碍了AI技术在遥感领域的普及和深入应用。PIE-Engine AI作为PIE-Engine产品家族的一员，充分考虑遥感数据及模型开发的特点，构建了一套基于云端弹性GPU资源的端到端、无代码、全栈式的遥感图像智能解译开发平台，提供覆盖样本标注→模型训练→模型发布→解译应用
报告将总结已有的基于深度学习的遥感影像语义分割方法和变化检测方法，并介绍一种基于对象的影像语义分割方法和一种基于深度监督融合网络的高分影像变化检测方法；对于在研究方向上长时间难以取得突破的同学，报告人将分享自己从GIS向RS的科研转向之路。人物名片：张晨晓，武汉大学测绘遥感信息工程国家重点实验室2016级博士，师从乐鹏教授，以第一作者发表SCI论文三篇，获得博士国家奖学金、中海达奖学金等。本次报告
引言：随着遥感技术和无人机技术的快速发展，我们获取高分辨率图像的能力越来越强。然而，如何从这些海量的图像数据中提取有用的信息，尤其是进行像素级的语义分割，成为了一个亟待解决的问题。本文将介绍图像语义分割中的关键技术，包括编码器-解码器结构、多尺度和特征融合策略以及关系建模方法，并特别探讨 Segment Anything 这一新兴技术在遥感与无人机图像语义分割中的应用。遥感影像分割，源码下载（点击
之前给大家介绍了基础的遥感数据知识和智能遥感任务，本期就来盘点一下在遥感模型训练中常用的数据集。从应用领域出发，遥感影像样本数据集可分为8个类型：遥感场景识别、土地覆被/利用分类、专题要素提取、变化检测、目标检测、语义分割、定量遥感、其他。[1]本期主要分享7个可用于遥感场景识别/分类的数据集： No.1 UC Merced Land Use● 发布方：Univer
转载
2024-08-08 15:43:30
155阅读
1、 图像导入 在erdas的Import/Export模块中，分别导入TM图像的第1、2、3、4、5、7波段，具体操作步骤为 ① 点击import模块，打开对话框 ② 选择type类型为TIFF ③ media为file； ④ 然后选择输入、输出文件名路径和文件名 ⑤ 分别对123457波段进行导入； ⑥ 在此之前可以选择session－>preference，选择输入、输出主目录。2、
转载
2023-08-13 16:22:15
747阅读
引入 此次的内容是遥感图像镶嵌。 在遥感图像处理中，我们有时为了获取更大范围的地面图像，通常需要将多幅遥感图像拼成一幅图像，这就需要使用图像镶嵌对遥感影像进行拼接操作。 我们需要进行图像镶嵌的遥感卫星影像数据有两种情况，南北方向和东西方方向的，所以我们在选择数据时尽量选择成像条件相似（同一轨道、同一时间）的图像。 通过使用PCI软件图像镶嵌模块手动对长沙地区影像（南北
转载
2023-12-26 15:00:09
157阅读
文章目录1.查看图像的空间分布特征（一）生成灰度图像（二）生成假彩色图像（三）连接不同视图的影像2.查看图像的像元灰度值3.统计并查看图像直方图4.计算NDVI（一）采用波段运算器计算NDVI（二）采用植被指数计算器计算NDVI5.NDVI计算结果检验（一）对结果图像的空间分布特征进行检验（二）对结果图像进行统计特征的检验6.浏览图像的空间分布及数值统计特征（一）查看空间分布特征（二）查看数值统
转载
2023-08-07 11:36:40
183阅读
本章节主要参考《python地理空间分析指南》第六章。文章中的所有操作都可以在ENVI中完成，这里只提供一个图像处理的思路。一、图像波段变换波段变换最常用的地方就是进行图像显示，例如使用假彩色图像以凸显植被信息。图像波段变换即将图像波段的组合顺序重新排列并显示的方法，主要使用GDAL库。下面以一个例子进行实验，首先给出数据的下载地址：http://git.io/vqs41打开原图可以看到，植被明显
转载
2023-11-04 22:12:29
367阅读
1评论
