TensorFlow实现Unet遥感图像分割

最新推荐文章于 2025-11-07 18:48:32 发布

原创

最新推荐文章于 2025-11-07 18:48:32 发布 · 6.2k 阅读

103 ·

CC 4.0 BY-SA版权

文章标签：

#tensorflow #深度学习 #计算机视觉

本文介绍了如何使用TensorFlow构建Unet模型，用于遥感图像中的道路分割任务。通过左半部分的下采样提取高维特征，右半部分的上采样融合实现精确道路与背景区分，展示了从数据预处理到模型训练及推理的完整流程。

Unet是一种U型网络，分为左右两部分卷积，左边为下采样提取高维特征，右边为上采样并与左侧融合实现图像分割。这里使用TensorFlow实现Unet网络，实现对遥感影像的道路分割。

训练数据：

标签图像：

Unet实现：

import tensorflow as tf
import numpy as np
import cv2
import glob
import itertools

class UNet:
    def __init__(
            self,
            input_width,
            input_height,
            num_classes,
            train_images,
            train_instances,
            val_images,
            val_instances,
            epochs,
            lr,
            lr_decay,
            batch_size,
            save_path
    ):
        self.input_width = input_width
        self.input_height = input_height
        self.num_classes = num_classes
        self.train_images = train_images
        self.train_instances = train_instances
        self.val_images = val_images
        self.val_instances = val_instances
        self.epochs = epochs
        self.lr = lr
        self.lr_decay = lr_decay
        self.batch_size = batch_size
        self.save_path = save_path

    def leftNetwork(self, inputs):
        x = tf.keras.layers.Conv2D(64, (3, 3), padding='valid', activation='relu')(inputs)
        o_1 = tf.keras.layers.Conv2D(64, (3, 3), padding='valid', activation='relu')(x)
        x = tf.keras.layers.MaxPooling2D(pool_size=(2,2), strides=(2, 2))(o_1)

        x = tf