马宇龙-ENVI深度学习变化监测与对象检测.pdf

1、ENVI深度学习变化监测与对象检测马宇龙遥感影像特征描述电磁波在四维时空中的传播规律，包含参量：强度波长偏振时间空间（空间位置，同时包括了相位信息）传输方向传输速度六种特性：强度特征波长特征偏振特征时间特征空间特征方向特征电磁波特性图片来源-wikiwand强度（振幅）波长偏振（极化）三个参量描述电磁波三个参量描述电磁波,=0遥感数据是波长、空间位置s、时间t、观测方向和偏振状态p的函数=,=,遥感数据的五种基本特征：光谱特征空间特征时间特征角度特征偏振特征有且只有五种特征，正交，独立。遥感影像特征光学遥感信息提取依据：光谱特征：What空间特征：Where时间特征（变化检测）：When光学遥

2、感信息提取需要消除角度特征，没有偏振特征变化监测深度学习深度学习卷积层：滤波池化层：重采样损失函数：均方差、交叉熵优化器：基于梯度的优化深度学习工作原理参考：弗朗索瓦 肖莱.python深度学习ENVI深度学习使用的架构（称为ENVINet5）是基于Ronneberger、Fischer和Brox开发的U-Net架构。与U-Net一样，ENVINet5是一种基于掩码(mask-based）、编码器-解码器（encoder-decoder）的体系结构，用于对图像中的每个像素进行分类。处理单个切片流程：该架构有5个“级别”（levels）和27个卷积层（layers）。每个级别表示模型中不同的像素

3、分辨率。本示例使用的切片大小为572*572*3。ENVI深度学习工具架构 End-to-end端到端的工作流程。深度学习不需要特征工程,它将复杂的、不稳定的、工程量很大的流程替换为简单的、端到端的可训练模型，这些模型通常只用到五六种不同的张量运算。可复用。与之前的许多机器学习方法不同，深度学习模型无须从头开始就可以在附加数据上进行训练，因此可用于连续在线学习，这对于大型生产模型而言是非常重要的特性。深度学习优势之一ENVI深度学习变化监测提取变化地物：建筑物（变化厂房）、构筑物（新修道路），填河，动土，堆土等。深度学习变化监测建筑物构筑物动土填河变化地物类别建筑物建筑物（厂房）构筑物构筑物（

4、新修道路）填河动土堆土 目标：提取变化地物（建筑物、构筑物、动土、填河等）思路：直接使用深度学习对多期影像进行变化地物提取变化地物提取数据源卫星卫星数据数据级别级别波段波段波段数波段数空间分辨率空间分辨率（米）（米）覆盖面积覆盖面积（kmkm2 2）时间时间高分/资源系列正射镶嵌影像DOMR、G、B3222135两时期数据源预处理深度学习变化地物提取结果技术流程预处理主要为两时期影像的波段合成。在ENVI工具箱中选择，Raster Management/Build Layer Stack，选择两时相3波段影像数据，点击OK进行波段合成，得到两时期6波段合成结果。预处理深度学习步骤构建标签栅格训

5、练模型模型分类深度学习流程影像数据源训练深度学训练深度学习模型习模型使用模型进使用模型进行分类行分类分类结果转矢量矢量结果满意生成标签栅格勾绘子区域内样本选取影像子区域创建标签图像创建标签图像修改矢量ROI生成标签栅格再次训练模型不满意人工目视解译全市范围内绘制754个矢量样本样本获取创建标签图像之前首先需要获取样本。通过人工目视解译的方法绘制研究区范围内ROI样本，在ENVI上方工具栏点击ROI工具按钮，创建变化图斑ROI，沿着变化图斑轮廓绘制变化图斑样本。如下图所示：样本获取1.样本区域选取，全面覆盖多种地物类型。2.绘制样本尽可能的多。3.样本轮廓尽可能精确，不要多余地物。样本获取三原则

6、全多精样本矢量生成缓冲区（1000*1000pixels）将缓冲区合并合并后缓冲区矢量生成最小外接矩形使用最小外接矩形裁剪栅格样本库构建步骤沿矢量周围扩展1000*1000像素生成缓冲区并将缓冲区合并，之后生成最小外接矩形。使用外接矩形将影像切片创建模型训练样本库。在Toolbox中，选择Extensions/Frame Subset via Shapefile矢量分幅裁剪工具对影像进行分幅裁剪。构建样本库标签栅格用于深度学习模型训练，需要通过样本ROI和栅格影像构建标签栅格。对于大批量标签栅格的生成，可使用ENVI Modeler建模工具进行批量标签栅格的生成。在toolbox，选择Task