MathorCup赛题开源方案——遥感图像地块分割与提取

赛题：

耕地的数量和质量是保持农业可持续发展的关键，利用卫星遥感影像可以识别并提取耕地，并对耕地进行遥感制图，准确的耕地分布能够为国家决策部门提供重要支撑。目前高精度的耕地信息提取主要还是依靠人工解译，耗费大量人力、财力且效率较低，因此，遥感图像的耕地识别算法研究将对耕地遥感制图提供重要帮助。

资源三号（ZY-3）卫星是中国第一颗自主的民用高分辨率立体测绘卫星，通过立体观测，可以测制1∶5万比例尺地形图，为国土资源、农业、林业等领域提供服务，资源三号填补了中国立体测图这一领域的空白。图片来源于资源三号卫星获取的遥感图像数据，空间分辨率为2米，光谱为可见光波段（红，绿，蓝）。

题目提供8幅图像和相应耕地标签，用于参赛者模型训练和测试，图像为tif格式。原图像预览图如图1所示，标签图预览图如图2所示，标签图中白色（值为1）代表的是耕地类，黑色（值为0）代表的是背景类。另提供2幅图像作为测试实例。

代码：

使用Paddlepaddle的DeepLab V3 + 语义分割模型：

! pip install paddlex -i https://mirror.baidu.com/pypi/simple

# 设置使用0号GPU卡（如无GPU，执行此代码后仍然会使用CPU训练模型）
import matplotlib
matplotlib.use('Agg') 
import os
os.environ['CUDA_VISIBLE_DEVICES'] = '0'
import paddlex as pdx

from paddlex.seg import transforms
train_transforms = transforms.Compose([
    transforms.RandomHorizontalFlip(),
    transforms.Resize(target_size=512),
    transforms.RandomBlur(),
    transforms.RandomRotate(), 
    transforms.RandomDistort(),
    transforms.RandomPaddingCrop(crop_size=500),
    transforms.Normalize()
])
eval_transforms = transforms.Compose([
    transforms.Resize(512),
    transforms.Normalize()
])

train_dataset = pdx.datasets.SegDataset(
    data_dir='optic_disc_seg',
    file_list='optic_disc_seg/train_list.txt',
    label_list='optic_disc_seg/labels.txt',
    transforms=train_transforms,
    shuffle=True)
eval_dataset = pdx.datasets.SegDataset(
    data_dir='optic_disc_seg',
    file_list='optic_disc_seg/val_list.txt',
    label_list='optic_disc_seg/labels.txt',
    transforms=eval_transforms)

2020-12-27 09:38:56 [INFO]	112 samples in file optic_disc_seg/train_list.txt
2020-12-27 09:38:56 [INFO]	8 samples in file optic_disc_seg/val_list.txt

num_classes = len(train_dataset.labels)
model = pdx.seg.DeepLabv3p(num_classes=num_classes, backbone='Xception65')
model.train(
    num_epochs=80,
    train_dataset=train_dataset,
    train_batch_size=4,
    eval_dataset=eval_dataset,
    learning_rate=0.01,
    save_interval_epochs=20,
    save_dir='output/deeplab',
    use_vdl=True)

import matplotlib.pyplot as plt
import paddlex as pdx
import numpy as np
import cv2

%matplotlib inline

model = pdx.load_model('output/deeplab/best_model')

image_name = 'optic_disc_seg/JPEGImages/Data6.png'
result = model.predict(image_name)
pdx.seg.visualize(image_name, result, weight=0.4, save_dir='./')
pred_map = result['label_map']

anno = cv2.imread('optic_disc_seg/Annotations/Data6_reference.png', -1)

print(np.max(pred_map), np.max(anno))

plt.imshow(anno)
plt.title('True')
plt.show()

plt.imshow(pred_map)
plt.title('Pred')
plt.show()

2020-12-27 09:53:00 [INFO]	Model[DeepLabv3p] loaded.
2020-12-27 09:53:00 [INFO]	The visualized result is saved as ./visualize_Data6.png
1 1

import paddlex as pdx
import cv2

import matplotlib.pyplot as plt
import numpy as np

%matplotlib inline

model = pdx.load_model('output/deeplab/best_model')
for i in range(2):
    image_name = 'Test{}.png'.format(i+1)
    result = model.predict(image_name)
    pdx.seg.visualize(image_name, result, weight=0.4, save_dir='./')
    pred_map = result['label_map']
    pred_map = cv2.merge([pred_map, pred_map, pred_map]) * 255
    img = cv2.imread(image_name)
    result = np.hstack([img, pred_map])
    plt.imshow(result)
    plt.show()

2020-12-27 09:53:03 [INFO]	Model[DeepLabv3p] loaded.
2020-12-27 09:53:04 [INFO]	The visualized result is saved as ./visualize_Test1.png

2020-12-27 09:53:04 [INFO]	The visualized result is saved as ./visualize_Test2.png

!zip -r code ./

关注我的公众号：

感兴趣的同学关注我的公众号——可达鸭的深度学习教程：