使用 u-net 对遥感影像进行非绿地提取
@author: sli
目录结构
- u_net.py u net 网络结构定义
- u_net.train.py 用于训练u net网络
- data_loader.py 多线程数据加载工具
- thread_pool.py 线程池
- data/ 数据存放目录
- log/ 日志文件目录
- models/ 模型权重存放目录
- pylibtiff TIFF文件工具（第三方工具包）
- preproc_data.ipynb 数据预处理
- test_u_net.ipynb 结果查看
加载u net
import u_net构建网络计算图
u = u_net.u_net("cpu:0", 0, batch_size=1, output_dim=1)添加必要的数据处理函数和可视化工具
%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
import cv2
from libtiff import TIFF
import random
import os
from IPython.display import clear_output
def read_tif(file_path, resize=None, print_log=True):
"""
参数
file_path tif文件路径
resize 对加载进来的图片进行resize操作，参数值为(w, h)或(w, h, c)格式的数组。该值默认为None, 表示不进行此项操作。
print_log 是否打印图片信息 默认True
"""
tif = TIFF.open(file_path, mode='r')
image = tif.read_image()
if not (resize is None):
image = cv2.resize(image, resize)
if print_log:
print(image.shape)
return image
def load_labelx(file_path, resize, max_value=1.0):
labelx = read_tif(file_path, resize=resize)
labelx[labelx < 128] = 0
labelx[labelx > 128] = 255
labelx = labelx / (255/max_value)
return labelx读取测试数据和真值
data = read_tif("data/test_greenland/test1.tif")
h, w, c = data.shape
label = load_labelx("data/test_greenland/testlabel1.tif", (w, h))(3068, 3668, 3)
(3068, 3668)
显示真值图片
plt.figure(figsize=(10, 10))
plt.imshow(label)<matplotlib.image.AxesImage at 0x7f9a14be0b38>
加载保存的权重，并执行分割任务
import tensorflow as tfsaver = tf.train.Saver()sess = tf.InteractiveSession()
sess.run(tf.global_variables_initializer())saver.restore(sess,tf.train.latest_checkpoint('models/'))INFO:tensorflow:Restoring parameters from models/u-net.6000-6000
p = sess.run(u.outputs, feed_dict={u.inputs: [cv2.resize(data, (572, 572))]})分割结果保存在变量p中， 下面的函数用于给定不同阈值t对结果进行二值化处理。同时通过给定真值label，计算4个分割结果的评价指标
def tresult(label, p, t=0.35, copy=False):
logits = p[0, :, :, 0]
logits = cv2.resize(logits, (w, h))
logits[logits < t] = 0.0
logits[logits > t] = 1.0
# TP = logits * label, TP FP = logits, TP FN = label, FP = logits - logits * label, TN FP = 1 - label
l1 = np.sum(logits * label) / np.sum(label) # Recall
l2 = np.sum(logits * label) / np.sum(logits) # Precision
l3 = np.sum(logits - logits * label) / np.sum(1 - label) # FPR
l4 = l1 # TPR
if copy:
logits = logits.copy()
return logits, l1, l2, l3, l4R = []
P = []
TPR = []
FPR = []
for i in range(101):
_, l1, l2, l3, l4 = tresult(label, p, 0.01 * i)
R.append(l1)
P.append(l2)
FPR.append(l3)
TPR.append(l4)可视化“查全率”和“查准率”曲线
plt.plot(R, P, 'r')
plt.xlabel("Recall")
plt.ylabel("Precision")<matplotlib.text.Text at 0x7f9a149e7198>
可视化“真正例率”和“假正例率”曲线
plt.plot(TPR, FPR, 'y')
plt.xlabel("TPR")
plt.ylabel("FPR")<matplotlib.text.Text at 0x7f9a148de3c8>
选定一个阈值t获取一个二值化结果
logits, _, _, _, _ = tresult(label, p, 0)
print(logits.shape)(3068, 3668)
# plt.figure(figsize=(10, 10))
plt.hist(np.ravel(logits), bins=8)(array([ 8006314., 0., 0., 0., 0., 0.,
0., 3247110.]),
array([ 0. , 0.125, 0.25 , 0.375, 0.5 , 0.625, 0.75 , 0.875, 1. ]),
<a list of 8 Patch objects>)
查看分类结果
plt.figure(figsize=(10, 10))
plt.imshow(logits)<matplotlib.image.AxesImage at 0x7f99860c9ef0>
查看原始影像
plt.figure(figsize=(10, 10))
plt.imshow(data)<matplotlib.image.AxesImage at 0x7f9986061e48>
查看分割评价图
- 红色：分割遗漏
- 黄色：错误分割
- 白色：正确分割
plt.figure(figsize=(10, 10))
plt.imshow(2 * logits label, cmap="hot")<matplotlib.image.AxesImage at 0x7f9985148c88>
sess.close()