1 实习目的
了解深度学习在建筑物边界提取中的应用。
初步掌握运用相关软件和代码对遥感影像进行建筑物提取。
2实习准备
谷歌账号，ArcMap
3 实习过程
操作链接：
https://colab.research.google.com/drive/1_Gdw6DUGv8vo7vpHY2o5roO-1YWRNQYs?usp=sharing
图 操作界面
1）奥斯汀其他地区的影像识别实验（必做）
在实习开始前，我们需要将运行环境修改为GPU环境如图所示。
图 配置运行环境
步骤1 下载代码并解压
打开网站，点击运行按钮。
图 代码下载解压过程
导入到云盘，此时代码会连接到我们的谷歌云盘。
步骤2 切换到目录
继续运行切换到目录代码
图 代码切换到目录过程
步骤3 配置环境
Python代码的运行，依赖于很多包的安装，点击运行，完成包的安装。
图 Python相关包的下载
步骤4 运行结果
本次实验主要用于实现建筑物矢量边界的提取，我们先下载下来Austin其他地区的影像数据，从Austin2-Austin6。
图 Austin影像数据下载
此时，我们在左侧的文件夹能够看到下载下来的影像数据。
图 Austin其他地区的影像
接下来，我们依次在运行代码中修改输入的影像数据的地址路径，依次得到奥斯汀其他地区的影像。一般运行要等上个几分钟。
图 Austin其他地区影像的识别
绘制影像结果和对应的运行的建筑物矢量边界提取结果。
图 绘制原始影像
图 绘制原始影像
我们依次将处理好的数据和结果下载下来，放到ArcMap中进行观察。
（2）使用自主遥感影像进行建筑物识别（选做）
步骤1 下载影像数据
使用Google Earth Engine进行识别，绘制感兴趣区，这里选择的是南昌区域，下载图示区域的10m分辨率的Sentinel-2数据，图像的行列为（1659，1302）。
图GEE下载Sentinel-2影像
步骤2 文件上传
将下载好的影像数据，在Google云盘中保存到本地，通过界面的文件上传功能，将影像上传进来。
图 文件上传
步骤3 运行结果
按照之前的运行步骤，对代码进行运行，得到建筑物提取结果。
图 自主影像建筑物边界提取结果
2 实习结果
（1）Austin地区影像与建筑物提取对比（必做）
图 Austin六个区域卫星影像地图
结果分析：从整体来看，算法能够比较好实现目标，具体体现在以下几个方面：
a.空间：从空间分布来看，六幅卫星图提取出来的建筑物，整体分布与原图一致；
b.纹理：从纹理来看，算法能够较好地区分公路，河流与建筑物，在图中能够提取出来地建筑物边界较好地还原来卫星图中呈现地建筑物纹理特征。
c.细节：细节上看，在部分建筑物相对密集区，算法识别的建筑物边界略有不足，一定程度上还有优化的空间。
图 Austin影像建筑物提取
（2）自主卫星影像的提取
本文选取了10m分辨率的Sentinel-2数据来对南昌市的建成区进行提取。
图 自主影像提取结果的对比
从提取结果来看，效果并不是很理想，只提取出了个别区域，分析主要原因有：
a.分辨率：因免费可公开的高分辨率卫星数据难以获取，本次使用影像为10m分辨率，相较于算法此前训练输入的影像分辨率，粗糙了不少，需要修改参数，从而有助于提高精度。
b.训练样本：算法针对Austin地区设计，训练样本主要采用的是当地的建筑物特征，南昌市地区的建筑物密集，道路交叉多，且河湖纵横的特点，需要重新训练，提高精度。
大家可以试试看，告诉小编有没有更好地提升训练效果地方法噢！
扫一扫
759
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
