ENVI深度学习工具&ENVI精准农业工具强强联合提取椰树
本文利用ENVI深度学习工具和ENVI精准农业工具从8.59cm分辨率航空影像上提取椰子树信息。ENVI深度学习工具获取椰树的CAM类激活图，CAM图像为灰度图（0~1范围），其DN值代表该像素属于目标的概率。为了得到椰子树的林冠半径，利用ENVI精准农业工具包的作物计数工具从CAM图像上提取椰树信息，包括空间分布和林冠半径。深度学习一个重要的工作就是调整参数，ENVI深度学习工具提供一个随机参数训练工具，可以帮助您自动获取一套比较优化的参数。
1
得到椰树圆形轮廓矢量，并做健康评估。
2
原始数据为tiff格式，转为了ENVI格式使用，但其实直接使用tiff没有区别。不过本例中使用的tiff数据应该做了压缩，在ENVI中加载显示ROI时有可能异常退出，此时使用ENVI格式比较稳定。
ENVI格式的数据量为1.24GB。
3
软件：
-
ENVI 5.5.3
-
ENVI Deep Learning 1.1 Tech Preveiw（本文操作也适合于V1.0版本）
-
ENVI Crop Science 1.1.1
硬件（ThinkPad P52 ）：
-
CPU：Intel(R) Core(TM) i7-8850H CPU @ 2.60GHz 六核
-
显卡：NVIDIA Quadro P3200 with Max-Q Design 显存6GB
-
内存：64GB
-
硬盘：SSD
4
由于椰树与背景无法用简单方法区分，所以不能直接使用ENVI Crop Science提取。便利用ENVI Deep Learning提取类激活图（CAM），在此基础上利用ENVI Crop Science提取椰树矢量，最后进行健康评估，但是健康评估其实并没有实际应用价值，下文会做说明。
完整技术路线如下图所示：
5
针对椰树这种类似圆形的目标，这里介绍两种适用的样本绘制方法。
5.1
5.1.1 圆形样本绘制方法
使用ROI工具可以方便的绘制圆形样本。如下图所示，选择圆形样式，按住Ctrl键，鼠标左键点击椰树中心点，拉框绘制圆形，点击鼠标右键，选择菜单Accept Ellipse即可。
最终绘制296个样本，如下图所示。当然也可以在图像中多个区域绘制样本，然后创建多个Label Raster，同时用于模型训练。
图：绘制的圆形ROI样本
5.1.2 创建Label Raster
使用Build Label Raster from ROI工具创建。在选择Input Raster时，使用绘制的ROI对全图进行矩形裁剪，如下图所示。
图：创建Label Raster工具
图：创建的Label Raster图像，好美
5.2
5.2.1 点状样本绘制方法
其实也可以直接使用ROI工具绘制点状样本，但是由于点太小（1个像素），不易区分已绘制和未绘制的区域，所以本例选择Feature Counting工具进行绘制。
点击工具栏图标
即可打开Feature Counting工具面板，然后使用鼠标左键单击就可以绘制样本了，并且清楚的标识出了信息（如编号、名称、位置等）。如下图所示。然后将绘制的样本保存为efc文件。共绘制了163个样本。
图：利用Feature Counting工具绘制点状样本
5.2.2 创建Label Raster
首先需要将Feature Counting工具绘制的结果（*.efc）转换为ROI。工具位于/Deep Learning/Deep Learning Guide Map如下图所示菜单。然后使用Build Label Raster from ROI创建Label Raster即可。
图：Feature Counting结果转换为ROI
6
深度学习模型训练可以使用Deep Learning Guide Map中的Train Model，或直接使用工具箱的/Deep Learning/Train TensorFlow Mask Model工具。训练参数设置如下图所示。
注1：ENVI Deep Learning 1.1技术预览版中/Deep Learning/Train TensorFlow Mask Model工具已经默认支持多类目标提取，如果想打开单目标模型训练面板，请使用Deep Learning Guide Map。
注2：对参数说明感兴趣的可以参考“ENVIDeepLearningV1.0深度学习操作教程”。
图：圆形样本模型训练参数
图：点状样本模型训练参数
7
利用ENVI深度学习工具/Deep Learning/TensorFlow Mask Classification获取CAM类激活图，CAM图像为灰度图（0~1范围），其DN值代表该像素属于目标的概率。可通过Raster Color Slice目视判断阈值用于提取目标。
注：ENVI Deep Learning 1.1技术预览版已支持自动获取分类图，如下图所示。本例为了通用性，依然使用CAM图像进行后续操作。
图：TensorFlow Mask Classification工具面板
说明：其实可以直接使用CAM图像获取分类图像和矢量结果，所用工具为/Deep Learning/TensorFlow Mask Classification（Class Activation to Polygon Shapefile），但是结果不是规整的圆形，也不能提取椰树的林冠半径，所以借助ENVI Crop Science工具提取椰树。
附上直接提取的效果图，可以对比下利用圆形和点状样本获取的椰树有什么区别。圆形更好的获取了椰树的真实轮廓。如果不关心轮廓，只关心位置，建议使用点状样本，因为绘制起来更快捷。
图：左图基于圆形样本，右图基于点状样本
下文将基于圆形样本结果进行椰树提取。
8
利用Raster Color Slice获取阈值，如下图所示，取阈值0.92。这一步其实已经获取了椰树的分布信息。
本步骤将使用ENVI Crop Science中的工具/Crop Science/Count Crops提取椰树。参数设置如下图所示。最小直径和最大直径通过量测工具获取，单位为米，这里设置为5米和8米。为了提高精度，设置间隔数为100，该参数导致消耗了大量时间。并且该工具对内存和CPU要求极高。
图：椰树提取参数设置
注：为了选取最优参数，建议使用预览功能。首先将原图和CAM图（可隐藏此图层）1:1显示在当前视图中，设置参数后，点击左下角Preveiw预览提取效果。强调一下，必须使用1:1显示，预览结果才是真正的效果。
Count Crops工具得到的是json和栅格结果。然后通过工具/Crop Science/Convert Crops To Shapefile将json转换为矢量，如下图所示。
图：转换结果为矢量
注：由于未知原因，导致图像中右侧河流中提取到了一些椰树，手动编辑矢量将其删除。利用点状样本提取的结果没有出现此种情况。
最终提取结果：
局部细节欣赏：
生成的矢量数据带有坐标和半径属性，如下图所示。共提取到10457株椰树。
9
首先为原始图像添加波长信息，此步骤是为了使用ENVI自带工具计算GLI植被指数（Green Leaf Index）。有了波长信息后，可直接使用/Crop Science/Calculate Crop Metrics with Spectral Index一步完成健康评估。
如果不添加波长，则需要Band Math工具计算GLI，然后使用/Crop Science/Calculate Crop Metrics工具进行健康评估。GLI公式如下所示：
Calculate Crop Metrics with Spectral Index工具界面参数设置如下图所示。自动根据波长信息筛选了可计算的植被指数，这里选择GLI。
局部结果如下图所示。颜色越绿表示越健康，越红表示越不健康。
但是本着严谨的态度，还是要强调一点：我们其实统计的是圆形内的GLI指数均值，然而椰树并没有完全覆盖圆形区域，所以统计的是椰树及其背景像素的均值，并没有实际意义。大家可以看到上图结果中背景是裸地的椰树普遍健康度较低。此外还有阴影的影响。
10
利用ENVI Crop Science提取椰树矢量耗时较长，主要是因为设置了间隔数为100，提高了提取精度，减少漏提情况。
|
步骤 |
耗时 |
因素 |
|
圆形样本绘制 |
30分钟 |
手速 |
|
深度学习模型训练 |
38分钟 |
GPU，显存 |
|
椰树CAM图像提取 |
10分钟 |
GPU，显存 |
|
椰树矢量提取 |
3.5小时 |
CPU，内存 |
11
较有难度的就是深度学习模型训练参数的调优。这里分享一下经验。当你使用默认参数没有得到很好结果的时候，当你尝试调整参数后依然无效的时候，当你接近崩溃边缘、即将放弃的时候，一定要想到ENVI Deep Learning提供的一个神器，那就是随机参数训练。如果你的硬盘空间、时间够多，可以一键尝试N种参数搭配，你需要的只是等待等待等待。最后从N个结果中挑选最优即可。
工具启动是在/Deep Learning/Deep Learning Guide Map面板中如下菜单：
其实是内置的一个ENVI Modeler模型。本文参数的设置就是使用这种方法，简单粗暴，甚是有效。
12
链接：https://pan.baidu.com/s/1goEsYUUscCTWaB8a4GrIrQ
提取码：e64y
