【ENVI深度学习】利用SuperView数据进行建筑物提取测试

软件试用： http://blog.sina.com.cn/s/blog_764b1e9d0102ycm2.html

SuperView-1 全色分辨率 0.5 米，多光谱分辨率 2 米，轨道高度 530 公里，幅宽 12 公里，过境时间为上午 10:30 。由于 SuperView-1 卫星具有很高的敏捷性，可设定拍摄连续条带、多条带拼接、按目标拍摄多种采集模式，此外还可以进行立体采集。 SuperView-1 单次最大可拍摄 60 km × 70 km 影像。

本次采用 3 景 SV1 示例影像。数据来自航天世景公司，在此表示感谢。

下面介绍详细处理流程：

1    图像预处理

预处理包含正射校正 > 图像融合 > 图像镶嵌。

由于需要处理 3 对数据，所以均利用 ENVI App Store （ enviidl.com/appstore ）中的批处理 工具 完成。所有工具均可在 App Store 中安装使用。

1.1   数据打开

利用“ 中国国产卫星支持工具 ”打开 3 景全色、 3 景多光谱图像。

1.2    批量正射校正

使用“ ENVI 栅格图像批处理工具包”中的批量正射校正工具完成：

/Extensions/Raster Processing Batch Tools/RPC Orthorectification Batch

由于 SV1 数据几何位置较准，直接使用了无控正射校正。

一次性将全色和多光谱输入 Input Rasters ，设置全色分辨率为 0.5 ，多光谱分辨率为 2 。

1.3    批量图像融合

使用“ ENVI 栅格图像批处理工具包”中的批量图像融合工具完成：

/Extensions/Raster Processing Batch Tools/Pan Sharpening Batch

对于国产卫星数据，建议使用 Gram-Schmidt 融合算法，能更好的保持原始色彩。

1.4    快速图像镶嵌

由于是同轨数据，不需要进行匀色等处理。

使用“ Raster Mosaic [Fast] 快速拼接工具”完成：

/Mosaicking/Raster Mosaic [Fast]

2    选择训练样本

2.1    图像裁剪

一般我们会选择一小部分图像用于选择样本。本次选择空间子集如下图所示。

2.2   下载 OpenStreetMap 矢量数据

本次目标是提取建筑物，本人很懒，想尽一切办法用一些现成的数据。灵机一动，就想到了 ENVI5.5.1 新增的一个工具（ File > Open World Data > Download OpenStreetMap Vectors ）。

首先全图显示裁剪结果图像，然后打开 Download OpenStreetMap Vectors ，自动下载当前视图范围的矢量。工具面板中选择 Buildings 和 Polygon 。

下载到矢量文件与图像位置存在整体偏移，而且有部分不准确的数据（猜测是时间不同导致的）。所以此时祭出 ArcGIS ，首先对矢量进行整体偏移，然后删除错误的记录。得到了可用的建筑物样本矢量，如下所示。

2.3    手绘其他建筑物

建议在已有 shp 文件的基础上直接绘制即可。我主要是为了展示手绘和下载的样本分布，所以在 ENVI 中新建多边形矢量，在绘制完成后，再使用 ArcGIS 中的 Merge 工具将两个 shp 进行合并。如下图所示：黄色为下载的矢量，绿色为本人辛辛苦苦手绘出来的，绘制到手抽筋。

下载矢量记录数： 259

手绘矢量记录数： 557

2.4    矢量转 ROI

利用 ROI 工具如下菜单，将矢量导入，另存为 ROI 。

3     训练深度学习模型

3.1    创建标签图像

利用裁剪图像和生成的 ROI ，创建标签图像，工具为：

/Deep Learning/Build Label Raster from ROI

3.2    训练深度学习模型

本次趁着某人休假，利用 ta 的高性能 DELL 笔记本进行测试，真的是酷爽无比。下文有效率对比章节。

训练工具为： /Deep Learning/Train TensorFlow Mask Model

4      建筑物提取

提取工具为： /Deep Learning/TensorFlow Mask Classification

本工具提取得到的是单波段灰度图像，即 Class Activation Image 。结果展示对其进行了密度分割。

5     结果展示

总体来说效果还可以。但是由于覆盖范围太广，各种建筑物类型都有，能达到这样的效果实属不易。而且本次的训练样本对于深度学习来说已经说是非常少了。主要误差在于个别裸地、道路、水体等也被提取了出来。极端特殊建筑物出现漏提现象。

就我个人而言，已经很开心了，当然还有改进的方向，继续努力中。

6     效率对比