遥感资源大放送（上）：用开源代码，训练土地分类模型
By 超神经
内容概要： 土地分类是遥感影像的重要应用场景之一，本文介绍了土地分类的几个常用方法，并利用开源语义分割代码，打造了一个土地分类模型。
关键词： 遥感数据集 语义分割 机器视觉
遥感影像是开展测绘地理信息工作的重要数据，对于地理国情监测、地理信息数据库更新等意义重大，在军事、商业、民生等领域发挥了越来越重要的作用。
近年来，随着国家卫星影像获取能力的提升，遥感影像数据采集效率大幅提升，形成了低空间分辨率、高空间分辨率、宽视角多角度、雷达等多种传感器共存的格局。
轨道中的 Landsat 2 正在收集地球遥感数据
该卫星是 NASA 陆地卫星计划中的第 2 颗
于 1975 年发射 ，旨在以中等分辨率获取全球季节性数据
传感器种类齐全，满足了不同用途的对地观测需求， 但是也造成了遥感影像数据格式不统一、耗费大量存储空间等问题， 在图像处理过程中常常面临较大的挑战。
以土地分类为例，以往利用遥感影像进行土地分类， 往往依赖大量人力进行标注和统计， 耗时长达数月甚至一年的时间；加上土地类型复杂多样，难免也会出现人为统计失误。
随着人工智能技术的发展，遥感影像的获取、加工、分析，也变得更加智能和高效。
常用的土地分类方法
常用的土地分类方法，基本上分为三类： 以 GIS 为基础的传统分类方法、以机器学习算法为依据的分类方法，以及利用神经网络语义分割的分类方法。
传统方法：利用 GIS 地理信息系统分类
GIS 是处理遥感影像时常需要用到的工具，全称 Geographic Information System，又被称为地理信息系统。
它把 关系数据库管理、高效图形算法、插值、区划和网络分析等先进 技术集成起来， 让空间 分析变得 简单易行。
利用 GIS 对伊丽莎白河东部支流地区进行空间分析
利用 GIS 的空间分析技术， 可以获取对应土地类型的空间位置、分布、形态、形成和演变等信息， 识别土地特征并进行判断。
机器学习：利用算法分类
传统的土地分类方法包括监督分类和非监督分类。
监督分类又称训练分类法， 它是指用已确认类别的训练样本像元，跟未知类别像元作比较和识别， 进而完成对整个土地类型的分类。
在监督分类中，当训练样本精度不够时，通常会重新选择训练区或人为目视修改，以确保训练样本像元的准确性。
监督分类后的遥感图像（左）
红色为建设用地，绿色为非建设用地
非监督分类是指不必提前获取先验类别标准，而是完全按照遥感影像中像元的光谱特性进行统计分类，该方法自动化程度高，人为干预少。
借助支持向量机、最大似然法等机器学习算法，可以极大提高监督分类和非监督分类的效率和准确度。
神经网络：利用语义分割分类
语义分割是一种端到端像素级别的分类方法，可以加强机器对环境场景的理解，在自动驾驶、土地规划等领域应用广泛。
基于深度神经网络的语义分割技术，在处理像素级分类任务时，其表现优于传统的机器学习方法。
利用语义分割算法对某地遥感影像进行识别和判断
高分辨率遥感图像场景复杂、细节信息丰富，地物间光谱差异不确定，很容易导致分割精度低，甚至产生无效分割。
利用语义分割处理高分辨率、超高分辨率遥感影像， 可以更准确地提取图像的像素特征，迅速且准确地识别特定土地类型，进而提高遥感图像的处理速度。
常用的语义分割开源模型
常用的像素级语义分割开源模型包括 FCN、SegNet 和 DeepLab。
1、全卷积网络（FCN）
端到端语义分割
优点：
不限制图像尺寸，具有通用性和高效率
缺点： 无法快速进行实时推理，处理结果不够精细，对图像细节不敏感
2、SegNet
将最大池化指数转移至解码器中，改善了分割分辨率
优点：训练速度快、效率高，占用内存少
缺点：测试时不是前馈（feed-forward ），需要优化来确定 MAP 标签
3、DeepLab
DeepLab 由 Google AI 发布， 主张用 DCNN 来解决语义分割任务， 共包括 v1、v2、v3、v3+ 四个版本。
DeepLab-v1 为了解决池化引起的信息丢失问题， 提出了空洞卷积的方式， 在增大感受野的同时不增加参数数量，同时保证信息不丢失。
DeepLab-v1 模型流程演示
DeepLab-v2 在 v1 的基础上， 增加了多尺度并行， 解决了对不同大小物体的同时分割问题。
DeepLab-v3 将空洞卷积应用在了级联模块， 并且改进了 ASPP 模块。
DeepLab-v3+ 在 encoder-decoder 结构上采用 SPP 模块， 可以恢复精细的物体边缘。细化分割结果。
模型训练准备
目的 ：在 DeepLab-v3+ 基础上，开发用于土地分类的 7 分类模型
数据： 源自 Google Earth 的 304 张某地区遥感图像。除原图外，还包括 经过专业标注 的 配套 7 分类图、7 分类 mask、25 分类图、25 分类 mask 图像。 图像分辨率为 560*560，空间分配率为 1.2m。
原图及对应 7 分类图拼接示例
上半部分为原图，下半部分为 7 分类图
调参代码如下：
About The Author
