遥感图像处理笔记之【Automatic Flood Detection from Satellite Images Using Deep Learning】
遥感图像处理学习(7)
前言
遥感系列第7篇。遥感图像处理方向的学习者可以参考或者复刻
本文初编辑于2023年12月29日
2024年1月24日搬运至本人博客园平台
文章标题:Automatic Flood Detection from Satellite Images Using Deep Learning
文章地址:https://medium.com/@omercaliskan99/automatic-flood-detection-from-satellite-images-using-deep-learning-f14fafd369e0
文章所涉及的代码:作者没给
这篇文章着眼于洪水灾害区域检测,作者使用多个模型,对洪水灾害前后卫星图像进行学习,最终对比各个模型的性能。
总结:SegNet杂鱼❤️~ 杂鱼❤️ ~

数据库介绍
Synthetic Aperture Radar (SAR)是一种用于高分辨率地球成像和移动目标探测的雷达系统,可用于载人和无人机平台。我们可以通过网站找到SAR图像数据集,也可以使用Sentinel-1或Sentinel-2等前人通过各种过滤器提取出的,适用于不同任务的数据集。
本文只使用了Sentinel-1。
Sentinel-1是用于陆地和海洋服务的极地轨道全天候昼夜雷达成像任务。Sentinel-1A于2014年4月3日发射升空,Sentinel-1B于2016年4月25日发射升空。主要应用:监测北极海冰范围、海冰测绘、海洋环境监测,土地变化、土壤含水量、产量估计、地震、山体滑坡、城市地面沉降、支持人道主义援助和危机局势,包括溢油监测、海上安全船舶检测、洪水淹没。
此处参考:https://zhuanlan.zhihu.com/p/356726375
Sentinel Application Platform(SNAP )是由欧洲航天局开发的一种分析和编辑遥感图像的工具。

数据预处理
数据预处理工作总共四步。
轨道数据更新(原文:Apply Orbit File):轨道数据保质期很短,模型训练前要更新一下。
热噪声去除(原文:Thermal Noise Removal):就是去掉热噪声的意思。
校准(原文:Calibration):SAR图像中可能发生速率和时间相关的辐射畸变,大气、地形什么的都可能造成误差,需要处理
散斑过滤器(原文:Speckle Filter):从主要散射体反射的波影响会影响图像,需要处理

称Sentinel-1原数据为data,称经过预处理后的图像为mask。后面将mask变成512*512像素的图像方便模型训练。

模型原理
简单理解:就是找不同。
具体来说就是:输入洪水前图像和洪水后图像,先filter再concatenate,通过一个change detection network,得到两个图中的不同之处。
训练模型前,将图像数据分为:训练集80%,测试集10%,验证集10%

语义分割:通过分配相同的标签,对图片中相同的对象进行分类
实例分割:为所确定对象的每个实例分配一个唯一的标记
目标检测:要分类的对象在方框中表示
模型比较
第一,测试不同模型在预处理图像mask上的表现。文章这里好多图片不想贴,总之三个模型在各个阈值(threshold)下都是98%、97%左右的准确率

第二,测试不同模型在原图像data上的表现。文章这里好多图片不想贴,LinkNet和U-Net在各个阈值(threshold)下都是98%-96%的准确率,SegNet在各个阈值(threshold)下是90%-85%的准确率。SegNet真是杂鱼捏❤️~

第三,测试不同模型在没有参与训练的图像上的表现。SegNet真是杂鱼捏❤️~

【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】凌霞软件回馈社区,博客园 & 1Panel & Halo 联合会员上线
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】博客园社区专享云产品让利特惠,阿里云新客6.5折上折
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· 微软正式发布.NET 10 Preview 1:开启下一代开发框架新篇章
· 没有源码,如何修改代码逻辑?
· PowerShell开发游戏 · 打蜜蜂
· 在鹅厂做java开发是什么体验
· WPF到Web的无缝过渡:英雄联盟客户端的OpenSilver迁移实战