深度学习预测中的裁剪拼接去除接缝解决方案（遥感影像）

rae2019

已于 2023-08-04 02:20:06 修改

阅读量1.5k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：遥感处理文章标签：深度学习人工智能图像处理

于 2023-07-21 09:40:21 首次发布

本文链接：https://blog.youkuaiyun.com/rae2019/article/details/131844951

文章介绍了在处理大规模遥感影像时，由于内存限制需要先剪裁后预测再拼接的步骤。针对可能出现的接缝问题，提出了通过增加padding来消除边缘预测误差的方法，从而改善拼接后的图像质量。这种方法利用影像分块叠加策略，确保了块与块之间的重叠区域可以提供更准确的预测结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

遥感影像通常是大幅的，因此直接输入predict模型，会out of memory，通常的处理方案是：

先剪裁-预测小幅影像-拼接

一、剪裁与拼接函数实现

以示例影像为例：4240*3120剪裁成256*256：

#剪裁函数

#剪裁函数
def crop_image(image_path, output_path,crop_size=(256, 256), background_color=0):
    image = tf.imread(image_path)
    height, width, bands = image.shape
    new_width = (width // crop_size[0] + 1) * crop_size[0]
    new_height = (height // crop_size[1] + 1) * crop_size[1]
    new_image = np.zeros((new_height, new_width, bands))
    new_image[:height, :width, :] = image

    cropped_images = []
    for i in range(0, new_height, crop_size[1]):
        for j in range(0, new_width, crop_size[0]):
            cropped_image = new_image[i:i +crop_size[1], j:j + crop_size[0], :]
            cropped_images.append(cropped_image)
            tf.imwrite(os.path.join(output_path, f"cropped_{i}_{j}.tif"),cropped_image)
    ret