Deepwatermap深度学习项目跑自己的遥感影像提取水体

1、尊重Github作者,先放链接

 

isikdogan/deepwatermap: a deep model that segments water on multispectral images

2、如何跑自己的遥感影像

2.1、提取项目所需的6个波段

上篇文章介绍了这个开源代码程序,跑的是示例影像,下面介绍如何跑自己的影像。

只要满足自己输入的遥感影像波段满足上述即可,输入图像的分辨率无要求,只要GPU够大。

从所需波段可以看出这大致是一个landsat8的影响集,所以这边我们去地理空间数据云也下载一个

地理空间数据云

我这里所下载的是青岛市黄岛区的影像

下面做波段提取,代码如下

import os

import rasterio

from rasterio.merge import merge

import numpy as np



def get_band_files_from_folder(folder_path):

    # 搜索文件夹中的文件,匹配包含 B2, B3, B4, B5, B6, B7 的 TIF 文件

    band_files = {}

    for root, dirs, files in os.walk(folder_path):

        for file in files:

            if file.endswith('.tif') or file.endswith('.TIF'):

                if 'B2' in file:

                    band_files[2] = os.path.join(root, file)

                elif &#
python 遥感图像 水体提取系统 基于python深度学习实现高分辨率城市遥感图像的水体提取系统源码.zip 深度学习高分辨率城市遥感图像的水体提取系统源码.zip python 遥感图像 水体提取系统 基于python深度学习实现高分辨率城市遥感图像的水体提取系统源码.zip 深度学习高分辨率城市遥感图像的水体提取系统源码.zip python 遥感图像 水体提取系统 基于python深度学习实现高分辨率城市遥感图像的水体提取系统源码.zip 深度学习高分辨率城市遥感图像的水体提取系统源码.zippython 遥感图像 水体提取系统 基于python深度学习实现高分辨率城市遥感图像的水体提取系统源码.zip 深度学习高分辨率城市遥感图像的水体提取系统源码.zip python 遥感图像 水体提取系统 基于python深度学习实现高分辨率城市遥感图像的水体提取系统源码.zip 深度学习高分辨率城市遥感图像的水体提取系统源码.zip 【备注】 项目多为高分毕设,评审平均分达到95分以上,都经过本地验证,运行OK后上传,可直接运行起来。 主要针对计算机相关专业的正在做毕设的学生和需要项目实战的Java、JavaScript、c#、游戏开发、小程序开发学习者、深度学习等专业方向。 也可作为课程设计、期末大作业。包含:项目源码、数据库、项目说明等,该项目可以直接作为毕设、课程设计使用。 也可以用来学习参考借鉴!
### 深度学习开源代码用于道路提取 对于从复杂高分辨率遥感图像中提取道路的任务,存在多个高质量的GitHub项目提供了实现这一目标的深度学习框架。这些项目不仅实现了先进的算法,还公开了训练好的模型以及详细的文档来帮助开发者理解和应用。 #### 1. 基于DeepWindow的道路提取工具包 该项目提出了一个新的深度学习框架,专门针对从复杂的高分辨率遥感图像中高效提取道路形状特征设计[^1]。此方法融合了点、边缘和区域特征的学习能力,并引入了一个方向感知注意力模块,增强了对不同尺度下道路连续性的捕捉效果。这使得即使在背景非常杂乱的情况下也能精确地描绘出路网结构。 ```python import tensorflow as tf from deepwindow import RoadExtractorModel, preprocess_image model = RoadExtractorModel(pretrained=True) def predict_road(image_path): img = preprocess_image(image_path) prediction = model.predict(img) return prediction ``` #### 2. VisualSearchServer中的Darts架构 另一个值得注意的是VisualSearchServer项目,它包含了Darts——一种创新性的可微分卷积循环神经网络结构的设计方案[^2]。虽然最初并非专门为道路检测开发,但由于其强大的自适应性和灵活性,在适当调整后同样适用于此类任务。特别是当面对多变的城市环境时,这种类型的动态结构调整能显著提升性能表现。 #### 3. 多光谱影像上的水体分割与道路识别 最后提到的一个例子来自isikdogan/deepwatermap仓库,尽管主要关注水域划分,但其中涉及的技术手段如语义分割等也可以应用于其他物体类别比如道路上。由于采用了TensorFlow 1.x版本构建,建议使用者按照说明配置相应的Python环境以确保兼容性[^3]。 ```bash git clone https://github.com/isikdogan/deepwatermap.git cd deepwatermap pip install -r requirements.txt python train.py --dataset roads_dataset/ ```
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值