遥感深度学习二维图像样本制作—异常值处理—零值（均值）填充—滑动窗口分割—数据增强（多波段遥感图像），python

本文链接：https://blog.youkuaiyun.com/qq_63277082/article/details/138709661

一、问题引入

最近在做遥感语义分割的实验时，发现样本的制作是一个比较棘手的问题，因此想要整理下代码，以供学习交流。

我的原始遥感图像样本是有54个波段（这是经过特征提取的，每个波段代表一个特征信息），最后一个波段是标签，因此我的目标是利用前53个特征波段来预测最后一个标签波段。现在我有一组大的遥感影像作为训练样本，但是这些图像形状不规则，因此想要输入深度学习模型中进行训练就需要进行图像切割，变成比如64*64的小尺寸的多个样本，这个就是本文想要分享的内容。

废话不多说，直接开始上码。

二、异常值处理

首先导入要用到的python库

import os
from osgeo import gdal
import numpy as np
import pandas as pd

这里我进行了一步异常值处理，由于我的第54波段，即标签存在一定的问题，因此我进行了一步根据阈值的滤除，去除了一些极大和极小值

先定义输入和输出的文件夹路径（输出文件夹一定要先创建好，不然会报错），并获取这个路径下的tif文件，如果大家是单个tif文件，可以直接将tiff_files改为文件路径

# 输入文件夹路径，包含要处理的TIFF文件，即大遥感图像
input_folder = "UNet实验数据/原始数据"

# 输出文件夹路径，用于存储处理后的TIFF文件
output_folder = "UNet实验数据/异常值处理"

# 获取输入文件夹中的所有TIFF文件
tiff_files = [f for f in os.listdir(input_folder) if f.endswith('.tif')]

下面写一段循环来处理这个文件夹下的遥感图像异常值，if语句后是处理的条件，这里我写的channel == 53，即第54波段，如果存在异常值，即 <label_min 或 >label_max，就变为nan值，这里label_min和label_max是我之前定义的，大家自行可以换成别的值。

# 循环处理每个TIFF文件
for tiff_file in tiff_files:
    # 构建输入和输出文件的完整路径
    input_path = os.path.join(input_folder, tiff_file)
    output_path = os.path.join(output_folder, tiff_file)

    # 打开输入TIFF文件
    ds = gdal.Open(input_path, gdal.GA_ReadOnly)

    # 获取输入TIFF文件的宽度、高度和通道数
    image_width = ds.RasterXSize
    image_height = ds.RasterYSize
    num_channels = ds.RasterCount

    # 创建输出TIFF文件
    driver = gdal.GetDriverByName("GTiff")
    out_ds = driver.Create(output_path, image_width, image_height, num_channels, gdal.GDT_Float32)

    # 处理每个通道
    for channel in range(num_channels):
        channel_data = ds.GetRasterBand(channel + 1).ReadAsArray()

        if channel == 53:
            channel_data = np.where((channel_data < label_min) | (channel_data > label_max), np.nan, channel_data)
            
        # 写入处理后的通道数据
        out_ds.GetRasterBand(channel + 1).WriteArray(channel_data)

    # 释放数据集
    out_ds = None

print("处理完成。")

到这里就完成了异常值的处理，在输出文件夹中