影像分析应用实例
本案例为基于二元分类的建筑分类，即使用机器学习功能，自动提取某区域影像数据中的建筑物矢量面。应用案例主要介绍在没有模型的情况下，配置好相关的Python环境之后，如何进行数据准备、模型训练，根据模型对影像进行二元分类。
1．准备样本数据
对待进行二元分类的源影像数据中的部分区域数据，进行标签绘制，作为样本数据生成训练数据。主要操作步骤及参数说明如下：
- 打开影像文件：以文件型数据源的方式打开 resources_ml\example_data\training\binary_cls_train_data\raw 中的 image.tif 数据，将该影像数据在地图窗口中打开。
- 准备样本影像数据：新建文件型数据源：Sample.udbx，裁剪两块房屋颜色丰富的影像，保存在Label数据源中，结果数据命名为 Sampleimage_1和SampleImage_2，裁剪完后；将两个影像数据导出为 TIFF 数据；并将 SampleImage_1.tiff 和 SampleImage_2.tiff 拖拽到当前工作空间以文件型数据源方式打开，并分别添加到地图窗口。
- 准备样本标签数据：新建 SampleLabel_1 he SampleLabel_2 面数据集，分别添加到SampleImage_1和SampleImage_2影像数据地图窗口；将 SampleLabel_1 和 SampleImage_2 图层设置为可编辑状态，通过对象操作-> 对象绘制 -> 面 ->多边形，对影像数据中的房屋进行矢量化，矢量化结果如下图：
2．生成训练数据
基于第一步的标签数据和影像数据，分别对两份数据生成训练数据，并存放在同一路径。主要步骤及参数如下：
第一份训练数据
- 功能入口：工具箱 -> 机器学习 -> 影像分析 -> 训练数据生成。
- 源数据：影像数据设置为 SampleImage_1，标签数据设置为 SampleLabe_l。
- 图像大小：行数、列数均为 512；
- 训练数据用途：选择二元分类；
- 输出路径：设置模型的输出路径为E:\AI\Data\TrainingData；
- 数据名称：设置为：building_training_data。
- 执行成功后，即可得到影像数据和标签数据按指定大小划分的图像，以及数据的配置文件 building_training_data.sda，如下图：
第二份训练数据
- 再次打开工具箱中的训练数据生成工具。
- 源数据：影像数据设置为 SampleImage_2，标签数据设置为 SampleLabe_2。
- 图像大小：行数、列数均为 512，与第一份训练数据大小相同；
- 训练数据用途：选择二元分类；
- 输出路径：模型输出路径与第一份训练数据相同，设置为：“E:\AI\Data\TrainingData”；
- 数据名称：与第一份训练数据相同，设置为：building_training_data。
- 执行成功后，第二份训练数据会追加保存至同一个路径，结果如下图：
3．模型训练
使用第二步生成的训练数据进行模型训练，主要步骤及参数说明如下：
- 训练数据路径：选择上一步骤生成的训练数据结果的保存路径：E:\AI\Data\Training\building_training_data；
- 训练配置文件：选择训练数据结果中的配置文件：resources_ml\trainer_config\binary_cls_train_config.sdt；
- 训练模型用途：二元分类；
- 训练次数：10；
- 训练日志路径：E:\AI\Data\TrainingModel\log；
- 模型储存路径：E:\AI\Data\TrainingModel\Model；
- 模型名：building_model。
- 其他参数使用默认参数，执行时间约 10-70 分钟(GPU 执行时间)，执行成功后，得到building_model模型文件。
4．模型应用：提取影像中的建筑物
使用模型训练得到的模型及二元分类工具，对源影像数据进行大面积的房屋面提取，自动提取影像中的建筑物信息，主要步骤及参数说明如下：
- 源数据：将源数据设置为 image。
- 模型文件：选择模型训练生成的结果模型，即“E:\AI\Data\TrainingModel\Model\Building_model\Building_model.sdm”文件。
- 切片重叠值：设置为 60。
- 其它参数默认，点击执行即可对影像进行二元分类，提取影像中的房屋信息，得到下图（右）所示的栅格数据。（GPU时间约15分钟）
