使用ENVI光谱分析工具快速创建深度学习标签图像

Jason Wolfe Monday, April 22, 2019

随着ENVI深度学习模块的发布，遥感用户从图像中提取特征变得更加简单。这种简单性的一部分原因是：ENVI的预处理和光谱工具提供了创建标记数据集的能力。当我们可以半自动化的标记图像时，不再需要花费无数个小时来乏味地纯手工绘制ROI。在本文中，我将展示一个示例。在该示例中，我使用波段比值图像来创建标签数据集，用于训练和验证深入学习模型，以查找航空图像中的人造地物（建筑物等）特征。

我从USGS网站（https://earthexplorer.usgs.gov）下载了16幅相邻的国家农业图像计划（National Agriculture Imagery Program，NAIP）图像。这些是2016年10月拍摄的德克萨斯州圣安东尼奥北部一个地区的1米分辨率4波段图像。使用ENVI Seamless Mosaic工具进行图像镶嵌。然后，我从镶嵌图像中裁剪得到两个空间子集数据：一个用于训练，另一个用于验证深度学习模型是否正确地学习了目标特性。我的最终目标是从NAIP图像中提取所有表明人类发展的地物类型，包含道路、建筑物和其他特征。

通常我会在训练和验证图像中绘制折线和多边形ROI用于标记目标。但是，我尝试了一个更快的过程：

1)       创建一个蓝色/近红外波段比值图像，突出目标特征，同时抑制植被的光谱特征。

2)       使用ENVI工具箱中的/Task Processing/Run Task工具，选择Linear Percent Stretch Raster。将5%线性拉伸应用于比值图像。结果将增强目标和背景之间的对比度。

3)       利用阈值创建ROI，拉伸结果图像DN值大于200的像素被高亮显示出来。

4)       利用ROI工具面板菜单，将ROI转换为分类图像。

该结果为模型训练和验证提供了一个良好的起点，没有经过任何手工绘制或标记。但是结果并不完美，因此需要进一步编辑，但编辑量很小。使用Edit Classification Image工具来删除未正确分类的像素，如阴影和水；并为目标类别中添加了一些像素。

 

5)       使用ENVI工具箱 Deep Learning > Build Label Raster From Classification 工具，创建标签图像用于深度学习模型训练。

步骤1-5的整个过程只花了大约20分钟。此外，它还有另一个好处，那就是定义了目标形状特征，而不仅仅是标记目标位置。使用8GB的显卡（好羡慕…）在系统上耗时30分钟训练深入学习模型。然后我用训练过的模型对整个NAIP图像进行分类，只花了几分钟。下面是生成的Class Activation图像（下文简称CAM图像）。该模型学会了识别几乎所有的目标特征，如下所示：

下面是NAIP图像与相应的CAM图像之间的比较：

对CAM图像进行密度分割，来突显属于目标类的概率最高（红橙色）的区域。类似的模型可以训练并应用于从覆盖广泛范围的图像中提取屋顶和不透水的表面。

总之，ENVI中各种各样的图像处理工具有助于加快为深度学习准备数据的过程。例如使用诸如自适应相干估计（Adaptive Coherence Estimator，ACE）或匹配滤波器（Matched Filter）等目标检测工具来标记高光谱图像中感兴趣的特征。其他能有效突出图像中物体的光谱工具还有Spectral Indices、Principal Component Analysis、Dimensionality Expansion等等。